使用hexo搭建博客------发布到GitHub

本文介绍在Windows10系统下搭建Hexo博客的详细步骤,包括安装Git、Nodejs、npm等环境,阐述Hexo目录结构。还说明了博客插入图片的方法,使用yilia主题模板的设置,如头像、导航、网站ico等配置,以及部署到GitHub Pages和更新博客到Git的操作。

环境 Windows10+Git+hexo

所需环境

1、Git(必须):提交你的本地仓库

2、Nodejs(必须):安装Hexo需要使用node.js环境

3、npm (下载hexo用)

安装Nodejs 官网地址下载稳定版hexo

$ https://nodejs.org/en/

国内的npm比较慢,可以下载淘宝的cnpm

$ npm install -g cnpm --registry-https://registry.npm.taobao.rog

在这里插入图片描述

安装 hexo,      -g为全局安装

cnpm install -g hexo-cli
```{% asset_img hexo4.PNG This is an hexo4 image %}
## 新建文件夹hexo(hexo名称自己想写什么就写什么)### 进入文件夹,右键打开Git Bash命令行 输入如下命令
```bash
$ hexo init  //初始化hexo

在这里插入图片描述

安装启动服务,并更新package.json文件中的依赖

$  npm install hexo-server --save

hexo目录结构如下

在这里插入图片描述

好了,现在可以启动服务预览一下,默认端口是4000

$ hexo s    //s 是server的简写
$ hexo s -p 5000  //g更改端口为5000

Hexo博客插入图片

相对路径图片除了可以放在统一的images文件夹中,还可以放在文章自己的目录中。文章的目录可以通过配置博客根目录下的_config.yml来生成。

post_asset_folder: true

将_config.yml文件中的配置项post_asset_folder设为true后,执行命令$ hexo new your_ArticleName,在source/_posts中会生成文章your_ArticleName.md和同名文件夹your_ArticleName。将图片资源放在your_ArticleName文件夹中,文章就可以使用相对路径引用图片资源了。_posts/your_ArticleName/hexo1.jpg这张照片可以用以下方式访问:
bash![](image.jpg)

上述markdown的引用方式,图片只能在文章中显示,但无法在首页中正常显示。

如果希望图片在文章和首页中同时显示,可以使用标签插件语法。_posts/post_name/hexo1.jpg这张照片可以用以下方式访问:

{% asset_img hexo1.jpg This is an hexo1 image %}   //hexo1.jpg 图片名  其他为说明

使用yilia主题模板

下载==运行如下代码

$ git clone https://github.com/litten/hexo-theme-yilia.git themes/yilia

下载完之后theme下会多出一个yilia文件夹,这个就是yilia主题文件夹,然后将yilia配置到hexo中,打开_cpnfig.yml文件,将theme: landscape,改为theme: yilia就搞定了。如下:{% asset_img hexo3.PNG This is an hexo3 image %}

yilia设置头像## 头像的存放位置头像/图标图片的存放位置是/themes/yilia/source/下任意位置,可以自己新建一个文件夹存放,我存放在assert文件夹下的images中。## 配置设置配置文件为/themes/yilia/_config.yml。设置头像为配置文件中avatar一项,设置图标为配置文件中favicon一项,设置路径的根目录为/themes/yilia/source/。例如,我的头像存放的地址是/themes/yilia/source/assets/me.png,设置则为avatar: /assets/images/me.png。(图标同理)

#你的头像urlavatar: /assets/images/HeadPortrait.jpg //不要忘了avater后面有一个空格,切记

导航## 在主题的_config.yml文件中,我们配置#Menu区块bashmenu: 主页: / 随笔: /tags/随笔主页和随笔两个key值就是导航中显示的名字,对应的value即为路径,此处相对路径对应的定位也是根目录的source文件夹中,与头像的位置定位相同。

设置网站ico制作一张icon图标把图片放到hexo/source/images文件夹下面,在其它地方用/img/图片名引用就可找到hexo/themes/yilia/layout/_partial/head.ejs,设置为## 在主题的_config.yml文件中,我们配置#Menu区块

  <% if (theme.favicon){ %>   
   <link rel="icon" href="/image/favicon.ico">  <% } %>

部署到github pages设置config1中的deploy属性### 注意:type:、repository:、branch:后面有一个空格,千万不能掉哦

deploy:  type: git  repository: https://github.com/Kate605690919/Kate605690919.github.io.git  branch: master

repository就是着这个博客所在仓库的地址

bash
$ hexo clean$ hexo g$ hexo deploy

更新博客到Git 发布文章添加进去的文章如何显示出来呢,只需要下面这两个命令

$ hexo g$ hexo d//也可以合并为一条命令
$ hexo d -g

出现下面的提示,说明Git成功{% asset_img hexo-git.PNG This is an hexo-git image %}

常用命令

$ hexo new "postName" #新建文章$ hexo new page "pageName" #新建页面
$ hexo generate #生成静态页面至public目录$ hexo server #开启预览访问端口(默认端口4000,'ctrl + c'关闭server)
$ hexo deploy #将.deploy目录部署到GitHub

常用复合命令:

$ hexo deploy -g
$ hexo server -g

简写:

$ hexo n == hexo new
$ hexo g == hexo generate
$ hexo s == hexo server
$ hexo d == hexo deploy

hexo 官方文档https://hexo.io/zh-cn/docs/

内容概要:本文是一份针对全国计算机等级考试(NCRE)二级的全面备考指南,覆盖MS Office高级应用与设计、C语言程序设计和Python语言程序设计三大主流科目。文档按照“认知→题库→实战→冲刺”四步递进结构组织,系统介绍了考试基本信息、报名时间、考试形式、合格标准及科目选择建议,并深入剖析各科高频考点、真题规律与操作技巧。重点内容包括MS Office中的Word长文档排版、Excel函数应用与PPT动画设计;C语言中的指针、数组、函数及程序调试;Python中的基础语法、标准库(如turtle、random)与第三方库(如jieba、wordcloud、matplotlib)的应用。此外,还提供公共基础知识精讲、操作题逐步教学、易错题集锦、模拟软件使用指南和科学的时间管理策略,帮助考生高效备考。; 适合人群:零基础小白、临考突击型考生以及多次未通过的考生,尤其适合非计算机专业希望提升办公技能或理工科学生准备编程语言认证的学习者。; 使用场景及目标:①系统掌握NCRE二级考试所需的知识与实操技能;②通过刷真题、模拟考试和错题复盘提高应试能力;③在短时间内实现从入门到通关的跨越,一次性通过考试。; 阅读建议:建议按文档顺序逐步学习,结合官方考纲和真题进行实践操作,重视动手练习而非仅理论阅读,临考前使用模拟软件全真演练,强化时间分配与答题策略。
内容概要:本文聚焦于基于QLearning自适应强化学习的PID控制器在自主水下航行器(AUV)运动控制中的应用研究,旨在通过强化学习技术动态优化传统PID控制器的参数,提升AUV在复杂、不确定海洋环境下的建模精度与控制鲁棒性。研究以Matlab为仿真平台,完整复现了SCI一区论文的核心算法框架,系统阐述了QLearning与PID控制的融合机制,包括状态空间的构建、动作集的设计、奖励函数的设定以及Q-table更新策略,并实现了控制参数的在线自适应调节。文中提供了完整的仿真实验流程,验证了该方法在轨迹跟踪、抗干扰能力等方面的优越性能,为智能控制算法在水下机器人系统中的工程化应用提供了可复现的技术路径。; 适合人群:具备自动控制理论、强化学习基础及Matlab编程能力,从事智能控制、水下机器人、AUV路径跟踪或自适应控制相关研究的研究生、科研人员;以及希望将人工智能算法融入传统控制系统进行性能优化的工程技术人员。; 使用场景及目标:① 实现AUV在未知扰动或模型不确定性条件下的高精度、强鲁棒性运动控制;② 探索强化学习在传统工业控制器参数整定中的可行性与优势;③ 为智能PID控制器的设计与仿真提供一套完整的、可复现的技术方案与教学案例。; 阅读建议:建议结合所提供的Matlab代码与仿真模型,深入理解QLearning与PID耦合的实现逻辑,重点分析状态特征选取、奖励函数设计对学习收敛性与控制性能的影响,并可通过调整环境噪声、初始参数等条件,进一步测试算法的适应性与鲁棒性。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值