[我的翻译]效代码审查:来自前质疑者的9个建议

译者说明:本文由 伯乐在线 - drowzju 翻译,黄利民 校稿。未经许可,禁止转载!
英文出处:Gareth Wilson


理论我知道。代码审查(Code Review)有助于:

  • 抓bug
  • 保证代码的可读性,可维护性
  • 在团队中散播代码的知识
  • 让新人适应团队的工作方式
  • 让大家接触不同的思路

或者按另一种看法,代码审查就是极大的浪费时间。至少我对代码审查的最初感受就是这样。

当时我是新人,刚毕业,在伦敦一家软件公司开发插件。

随着时间推移,我得提交大量样子都差不多或干脆一样的代码。另一个可怜的家伙(“他是最好的。”我的经理告诉我。好在哪儿啊……)会来Review我的代码。而每次审查之后都会返回不一样的结果。看起来都是全无必要的挑剔又主观的结果。

更糟的是,审查过程的时间,哪怕没有几周,也得有好几天。等代码返回给我的时候,我几乎都记不得那是我写的。这不是那个家伙的错。他肯定也想要个更有经验的开发者,不过他分到了我。他厌倦了处理每个没经验的开发者搞出的那些低级问题,代码审查过程变成了他祛除沮丧情绪的方式。

再加上这些浪费的时间:不同分支的代码同步,上下文切换……我不是代码审查的粉儿,团队其他人也一样。

几年之后,我发现我很同意Jeff Atwood所发表的推特:

“结对代码审查是你能改进代码质量的唯一要事。”

经过这几年的时间我开始赞同代码审查,是因为我发现了代码审查并不是坏事,代码审查执行不好才是坏事。伙计,我们就执行的很不好。

我付出了惨痛代价才意识到这一点。当然不是一夜之间的转变。反思之后,代码审查把我从尴尬的,足以破坏构建的代码修改中拯救出来不少回。而自从我在其他地方工作后,我积累了一些和以前不同的、更好的工作方式的经验。这给了我机会,让我能切身体会到我以前曾错过的代码审查的好处。所以现在我认为自己是一个皈依了的质疑者。

为了你能避免这些痛苦,看看我们的视频,读完这些建议,这样就能带给你更有效的代码审查过程。

一、写给所有人的:

1.只审查正确的东西,让工具干别的

你不需要在代码风格和格式问题上与人争论。有大量的工具可以持续地强调这些内容。确保代码正确、易于理解和可维护性强才是重要的。当然了,编码风格和格式也是这些的一部分,只是你更应该让工具去检查。

2.所有人都该做代码审查

一些人比另一些人更擅长审查。更有经验的人可以发现更多的bug,这很重要。不过更重要的是在总体上维持一个针对代码审查的积极态度,也就是说要避免任何“我们和他们”的对抗态度,或者是让代码审查成为某个人的负担。

3.审查所有的代码

没有代码是因为太短或者太简单而不值得审查。当你审查一切,就没有什么会漏掉。另外这样做会成为流程的一部分,成为一种习惯,而不总是事后诸葛。

4.态度积极

这一点对审查者和提交者都很重要。代码审查不是你要拿全A,发动代码神技的时候,也不是你需要摆出防御姿态的时候。带着对建设性批评的积极态度投入进去,你就可以在此过程中收获信任。

二、写给对审查者的:

5.代码审查应该短期高频

你的审查效率在一个小时后开始下降。所以推迟审查共走,然后在一个极限的周期内赶完对谁也没用。在你的一天中留出时间来定期处理,别打乱自己的工作节奏并养成习惯。你的同事会为此而感谢你。等待会让人沮丧。而且当代码还新鲜的保存在他们脑海里时,他们解决问题也会快一些。

6.It’s OK to say “It’s all good” |“都挺好”挺好

别太挑剔了,你不是一定要每次审查都发现问题。

7.使用一个清单

代码审查清单确保一致性——每个人都了解哪些是重要的,哪些是常见错误。

三、写给代码提交者的

8.保证代码简短

超过200行,审查效率就会显著下降。一旦你超过400行,那基本就没什么意义了。

9.提供上下文

要提供相关的单子,或者规格说明的链接。像Kiln这样的代码审查工具可以提供帮助。应提供简短而有用的提交信息,在代码中留下大量注释。这会帮助审查者,你得到的问题反馈也会少一些。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像识别技术在病虫害检测的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统,可以是移动应用、网页服务或集成到智能农业设备。 7. **实时监测**:在实际应用,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测的应用将越来越广泛。
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