ASP.NET-TFS完全刪除檔案

-
上一篇VS專案綁TFS，這篇要講如果不小心增加了不要用的檔案，要如何把他從TFS中完全刪除。

1.開啟命令提示字元(cmd)

2.移動到這個地方，會因為你的安裝位置有點差異
cd C:\Program Files (x86)\Microsoft Visual Studio 14.0\Common7\IDE

3. 輸入以下指令
tf destroy 欲刪除檔案的位置/collection:"站台位置"
之後再一直選Y，就可把檔案刪除了。

留言

張貼留言

這個網誌中的熱門文章

Python-相關係數矩陣實作(python-correlation matrix )

-
圖片
相關係數被用來 用於度量兩個變數X和Y之間的相關 程度（線性相依），其值介於-1與1之間。在自然科學領域中，該係數廣泛用於度量兩個變數之間的線性相依程度。 再資料科學中，前處理步驟可先用來觀察參數間的關係，可幫助找到對目標參數影響較大的變數。 下面就用python實作係數矩陣視覺化。 import pandas as pd import matplotlib.pyplot as mp, seaborn #讀資料 xls_file = pd.ExcelFile('A.xlsx') df = xls_file.parse('sheet1') data=df print(df) #視覺化 df_corr = df.corr() seaborn.heatmap(df_corr, center=0, annot=True) mp.show() dataframe長這樣 相關係數矩陣
閱讀完整內容

字串、段落、文章相似度比對(Levenshtein distance)

-
之前介紹過文章相似度比對，今天要來介紹一個舉凡是兩個字串(string)都可以拿來算相似度的方法，且運算速度還比較快。 Levenshtein distance(萊文斯坦距離)，其核心概念很簡單就是A字串要變的跟B字串一模一樣需要增加、刪除幾個字元，若增修的字元越少表示兩個字串越相似。 舉例:1234變成123編輯距離就是1。 相關的source code網路上資源有很多，隨意貼一個C#版本。 public static int LevenshteinDistance(string s, string t)     {         int n = s.Length;         int m = t.Length;         int[,] d = new int[n + 1, m + 1];         if (n == 0)         {             return m;         }         if (m == 0)         {             return n;         }         for (int i = 0; i <= n; d[i, 0] = i++)         {         }         for (int j = 0; j <= m; d[0, j] = j++)         {   ...
閱讀完整內容

Detectron2-物件辨識模型訓練

-
  註冊數據集 import json from detectron2.structures import BoxMode def get_board_dicts ( imgdir ): json_file = imgdir + "/dataset.json" #Fetch the json file with open ( json_file ) as f : dataset_dicts = json . load ( f ) for i in dataset_dicts : filename = i [ "file_name" ] i [ "file_name" ] = imgdir + "/" + filename for j in i [ "annotations" ]: j [ "bbox_mode" ] = BoxMode . XYWH_ABS #Setting the required Box Mode j [ "category_id" ] = int ( j [ "category_id" ]) return dataset_dicts from detectron2.data import DatasetCatalog , MetadataCatalog #Registering the Dataset for d in [ "train" , "val" ]: DatasetCatalog . register ( "boardetect_" + d , lambda d = d : get_board_dicts ( "Text_Detection_Dataset_COCO_Format/" + d )) MetadataCatal...
閱讀完整內容