Code Reveiw工具 Jupiter 使用详解

最新推荐文章于 2024-07-09 10:20:05 发布
最新推荐文章于 2024-07-09 10:20:05 发布
阅读量2.2k 收藏
点赞数
分类专栏： plug-in

首先把jupiter安装到eclipse中……

直接把下载好的jupiter.jar放到eclipse的plugins文件夹里面即可，重启下

 Jupiter里，代码评审(code review)分为4个流程

  1. Configuration(配置)：review发起者设置“Review ID”，指定要评审的代码，参与代码评审的人员，要讨论的问题等等。
  2. Individual review(个人评审)：每个人独自审查代码，把可能出现问题的代码加入checklist
  3. Team review(团队评审)：大家在一起讨论之前检查出的问题代码，并决定如何处理
  4. Rework：开发人员根据之前评审的结果，对代码进行修复

下面对4个步骤进行简介：

1.Configuration

由评审发起者(代码作者、team leader或者PM)进行配置。

打开项目属性->Review选项页。点击“New...”，设置相应的ReviewId和description

2007-06-06_152003

接着添加本次要评审的代码和文件

2007-06-06_152841

添加参与代码评审的人员

2007-06-06_153048

接下来设置各种缺陷类型、严重性之类的。然后就是指定存放评审数据的目录。这个目录是相对于项目根目录的。如下图的设置，数据就会存放在“项目根目录/review”里

2007-06-06_153648

设置完成后，Jupiter将在项目根目录下生成“.jupiter”文件，把此文件存入CVS。现在评审发起者可以通知大家进行代码评审了。可以通过发邮件的方式进行通知，通知的内容最好有以下部分：

  • 项目名称、Review ID、参与评审人员名单。
  • 被评审代码的描述信息，如功能，需求等等
  • 新增加和删除的文件
  • 受影响但没有在Configuration中指定的组件

通知完毕后，各成员即可正式进行代码评审。

2.Individual review

从CVS取出最新的代码和.jupiter文件，在eclipse里->窗口(Window)->打开透视图(Open Perspective)->Review。然后选择Individual Phase：

2007-06-06_161640

选择项目名称，Review ID和Reviewer ID(评审者ID)，然后就可以开始查看代码了。

在代码评审过程中，发现有问题的代码，即可在上面点击右键菜单->Add Review Issue...把问题添加到Jupiter中，指定问题类型、严重性和描述信息，点击保存。

2007-06-06_162654

2007-06-06_162900

完成个人的代码评审后，把Jupiter评审数据目录下的文件传入CVS，就可以一起进行讨论了。

3.Team review

大家在一起，使用一台电脑或者投影仪，选择Team Phase

2007-06-06_163518

现在Individual Phase里检查出的所有的问题都会显示在ReviewTable里，点击Go To就能链接到问题所在代码，然后大家讨论这段代码是否有问题，如何解决等等，把结果写到ReviewEditor里，保存。

2007-06-06_164057

所有的问题讨论出结果后，把Jupiter评审数据文件传入CVS，散会，各自回到自己位置，进行下一个步骤

4.Rework

从CVS取出最新的Jupiter评审数据文件，选择Rework Phase

2007-06-06_164516

选择自己的ID后，上一步骤中分配给自己的问题就会显示到ReviewTable里，一个一个地把问题修复吧，修复后把状态置为Resolved。完毕后把Jupiter数据传CVS。

各自的rework完成后，各位评审者取出最新的Jupiter数据，关闭ReviewTable的过滤器，就能查看到本次评审中发现的各种问题，对各种问题进行验证，感到满意后可以把状态置为Closed，或者验证未通过,就置为Re-Opened。

如此，便完成了一次代码评审……

参考资料:

hua00shao
关注
专栏目录
16 个好用的 Code Review 工具
weixin_43901866的博客
01-20 1006
作者 | Guru99 译者 | 刘雅梦 策划 | 小智 来源：GitHubDaily 原文链接：https://mp.weixin.qq.com/s/xwqVD69o6_qrgV0dxj_2aw Code Review 工具自动化了代码审核过程。它们有助于静态代码分析，这对于交付可靠的软件应用程序至关重要。市场上有太多的 Code Review 工具了，以至于为我们的项目选择一个合适...
团队的Code Review实践
IDEAL Garden
11-16 4758
Code Review 的好处虽然被广泛认可，但想做好 Code Review 并不容易。首先团队需要对开展 Code Review 达成共识，然后针对自己团队的特性，采用相匹配的实践方式。关于工具，可以尝试文中提到的 Code Review 插件以及电子看板。在提升自动化程度的同时，积累 Code Review 数据，指导团队针对性地提升技能。
Code_Review工具Jupiter的使用
01-09
代码评审工具，通过CodeReview可以有效的降低开发风险、提高代码质量
Code Review工具Jupiter的使用
Simple is better
06-07 347
  给公司写的介绍性文档，其实就是Peer Code Reviews Made Easy with Eclipse Plug-In这篇文章的一点摘要…… 首先把jupiter安装到eclipse中……  Jupiter里，代码评审(code review)分为4个流程 Configuration(配置)：review发起者设置“Review ID”，指定要评审的代码，参与代码评审的...
打开Jupyter notebook的三种方式
最新发布
weixin_45962133的博客
07-09 2120
【代码】打开Jupyter notebook的三种方式。
简单实用的Code Review工具
热门推荐
陈皓专栏　【空谷幽兰，心如皓月】
08-21 10万+
另一文章请参看：《Code Review中的几个提示》CSDN, 酷壳 Code Review中文应该译作“代码审查”或是“代码评审”，这是一个流程，当开发人员写好代码后，需要让别人来review一下他的代码，这是一种有效发现BUG的方法。由此，我们可以审查代码的风格、逻辑、思路……，找出问题，以及改进代码。因为这是代码刚刚出炉的时候，所以，这也是代码重构，代码调整，代码修改的最佳时候。所
代码Review工具
weixin_33961829的博客
10-08 154
今天发现一个非常好的代码Review工具，Rietveld。Python就用的它。是开源的。http://code.google.com/p/rietveld/ 它是用Python实现的，可以架设在Google App Engine上的应用程序。 特点： 1、它可以根据patch，结合数据库，以修改前后的方式展示代码的修改。 2、双击即可给任何一行代码添加评论。 更多特性，待读者去发现。 ...
Review board 和 Git 配合使用 三
Dean Chen的专栏
05-13 1万+
现在看看Review board推荐的post-review工具。该工具可以简化工作，上一节的描述中一般都要自己生成一个diff文件，然后上传到网站上，发起一个请求。post-review 可以简化这种工作。文档可以参考：http://www.reviewboard.org/docs/manual/1.6/users/tools/post-review/在Ubuntu上可以执行easy_insta
Review board 和 Git 配合使用 一
fduffyyg的博客
02-08 867
Review board 和 Git 配合使用 一
CodeReview工具
12-04
包含jupiter和reviewclipse两款eclipse插件，做code review使用。有效的code review能有效改善bug多发，代码质量低下等问题
Codereview 代码审查工具(国人开发)
09-24
软件介绍： 一、软件特色 功能丰富:实现文件内容、度量、命名、注释、类图、Halstead等审查。 简单易用:无需安装,直接使用,直接删除;所有操作点击完成。 直观可视:分析结果与源代码在同一界面显示对照,快速定位。 语言多样:支持Visual Basic .NET、Java编程语言的代码审查。 自定义规范:通过自定义变更命名规范、注释规范完成代码审查。 二、功能列表 Info(内容):获取文件内容; Measure(度量):度量代码基本要素; Naming(命名):审查变量命名情况; Comment(注释):审查文件、类、函数等的注释情况; Diagram(类图):显示类图; Halstead(复杂度):计算Halstead复杂度. 三、官方网站 http://www.codereview.com.cn
Jupiter Code Review Reference -- Jupiter代码审查工具使用参考 （修改版）
【名剑】黑客 专栏
07-06 1万+
很多人对Jupiter并不是很了解，或是在很多人看来，代码的审查不是一件重要的事情，但是事实并非如此，同一批开发人员，同一个项目经理，同一种设计思路，同一种技术环境，在有做代码审查的项目和没有做代码审查的项目作对比，没有做代码审查的项目在前期的Bug量是有做代码审查项目的3.16倍，对于小项目来说，可能这些不是很可怕的数据，但是对于一个10-15个人合作的项目，那么是很可怕的数据，而代码审查有很多很不错的工具，今天我给大家介绍一种有效的代码审查工具叫做Jupiter。
Code Review 工具
yuzhang.online的博客
07-04 1533
Crucible：Atlassian 内部代码审查工具； Gerrit：Google 开源的 git 代码审查工具； GitHub：程序员应该很熟悉了，上面的 "Pull Request" 在代码审查这里很好用； LGTM：可用于 GitHub 和 Bitbucket 的 PR 代码安全漏洞和代码质量审查辅助工具； Phabricator：Facebook 开源的 git/mercurial/svn 代码审查工具； PullRequest：GitHub pull requests 代码审查辅助工具； Pul
Gerrit Code Review工具
无敌秋
04-12 621
Code Review 主要有以下目的：发现错误：人都会不可避免的出现一些纰漏，而这些纰漏在另一个人眼中也许显而易见。健壮性检查：代码是否健壮，是否有潜在安全、性能风险。代码是否可以回滚。质量保证：在一般情况下，新提交的代码一定需要写测试，测试不只可以保证你的提交符合预期，还可以在后人改你的代码时有一层保障。同时，MR 阶段也有机器人自动检查当前分支的测试覆盖率是否低于主分支，当低于主分支时会标红警示，但不会禁止 merge。统一风格：对于整个团队来说，代码风格的统一很重要。风格统一除了人 Review，我
idea代码review工具Code Review Helper使用介绍
weixin_36098377的博客
02-09 2886
之前在团队里面遇到一个关于代码review的问题，使用gitlab自己的还是facebook的Phabricator，很难看到整体逻辑，因为业务逻辑代码可能不在这次改动范围内，在去源库中找不好找。从功能上看，切实解决了在gitlab中无法快捷方便的看全整体业务的问题。下来我简单介绍下它的使用。
code review工具Review Board（三）-- 普通用户
10-11 8479
Review Board支持pre-commit review和post-commit review两种模式，简单的说，就是应该只有review通过的代码才能提交还是先提交代码再做review。每种模式都不做强制设定，每个项目组可以自定义review流程。通常情况下，开源的代码必须做强制性的先review后提交，以保证代码质量。如果是这种情况，git hub推出的Gerrit是更好的选择。如果是封
基于卷积神经网络对文本数据集进行二分类，文本为两列分别为lebal和review，lebal为标签列，reveiw为内容列，对标签列进行读取，标签分别为0和1共两类，随机将两类别的各80%作为训练集，20%作为训练集，在训练时首先对reveiw列文本转换为数字序列，选择最长的句子作为序列定长，其他长度进行按0填充，并对其他建立一个传统卷积神经网络，卷积核大小为3，池化层为平均池化，训练轮数为50，输出训练集和测试集每一轮的准确率和损失率并作一个折线图，基于PYtorch建立模型，给出详细的代码
05-27
以下是基于PyTorch建立卷积神经网络进行文本二分类的详细代码： ``` import torch import torch.nn as nn import torch.optim as optim from torchtext.data import Field, TabularDataset, BucketIterator # 设置随机种子 SEED = 1234 torch.manual_seed(SEED) torch.backends.cudnn.deterministic = True # 定义Field TEXT = Field(tokenize='spacy', batch_first=True, include_lengths=True) LABEL = Field(sequential=False, is_target=True) # 构建TabularDataset fields = {'label': ('label', LABEL), 'review': ('text', TEXT)} train_data, test_data = TabularDataset.splits( path='.', train='train.csv', test='test.csv', format='csv', fields=fields) # 构建词汇表 TEXT.build_vocab(train_data, max_size=25000, vectors='glove.6B.100d') LABEL.build_vocab(train_data) # 定义模型 class CNN(nn.Module): def __init__(self, vocab_size, embedding_dim, n_filters, filter_sizes, output_dim, dropout): super().__init__() self.embedding = nn.Embedding(vocab_size, embedding_dim) self.convs = nn.ModuleList([nn.Conv2d(in_channels=1, out_channels=n_filters, kernel_size=(fs, embedding_dim)) for fs in filter_sizes]) self.fc = nn.Linear(len(filter_sizes) * n_filters, output_dim) self.dropout = nn.Dropout(dropout) def forward(self, text, text_lengths): embedded = self.embedding(text) embedded = embedded.unsqueeze(1) conved = [nn.functional.avg_pool2d(nn.functional.relu(conv(embedded)), (text.shape[1], 1)).squeeze(3) for conv in self.convs] cat = self.dropout(torch.cat(conved, dim=1)) return self.fc(cat) # 定义超参数 BATCH_SIZE = 64 EMBEDDING_DIM = 100 N_FILTERS = 100 FILTER_SIZES = [3] OUTPUT_DIM = 1 DROPOUT = 0.5 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') # 构建迭代器 train_iterator, test_iterator = BucketIterator.splits( (train_data, test_data), batch_size=BATCH_SIZE, device=device, sort_key=lambda x: len(x.text), sort_within_batch=True) # 初始化模型、优化器和损失函数 model = CNN(len(TEXT.vocab), EMBEDDING_DIM, N_FILTERS, FILTER_SIZES, OUTPUT_DIM, DROPOUT).to(device) optimizer = optim.Adam(model.parameters()) criterion = nn.BCEWithLogitsLoss().to(device) # 训练模型 def train(model, iterator, optimizer, criterion): epoch_loss = 0 epoch_acc = 0 model.train() for batch in iterator: optimizer.zero_grad() text, text_lengths = batch.text predictions = model(text, text_lengths).squeeze(1) loss = criterion(predictions, batch.label.float()) acc = ((predictions > 0.5) == batch.label.byte()).sum().item() / len(batch.label) loss.backward() optimizer.step() epoch_loss += loss.item() epoch_acc += acc return epoch_loss / len(iterator), epoch_acc / len(iterator) # 测试模型 def evaluate(model, iterator, criterion): epoch_loss = 0 epoch_acc = 0 model.eval() with torch.no_grad(): for batch in iterator: text, text_lengths = batch.text predictions = model(text, text_lengths).squeeze(1) loss = criterion(predictions, batch.label.float()) acc = ((predictions > 0.5) == batch.label.byte()).sum().item() / len(batch.label) epoch_loss += loss.item() epoch_acc += acc return epoch_loss / len(iterator), epoch_acc / len(iterator) N_EPOCHS = 50 best_valid_loss = float('inf') train_loss_list, train_acc_list, valid_loss_list, valid_acc_list = [], [], [], [] for epoch in range(N_EPOCHS): train_loss, train_acc = train(model, train_iterator, optimizer, criterion) valid_loss, valid_acc = evaluate(model, test_iterator, criterion) train_loss_list.append(train_loss) train_acc_list.append(train_acc) valid_loss_list.append(valid_loss) valid_acc_list.append(valid_acc) if valid_loss < best_valid_loss: best_valid_loss = valid_loss torch.save(model.state_dict(), 'cnn-model.pt') print(f'Epoch: {epoch+1:02}, Train Loss: {train_loss:.3f}, Train Acc: {train_acc*100:.2f}%, Val. Loss: {valid_loss:.3f}, Val. Acc: {valid_acc*100:.2f}%') # 绘制训练集和测试集每一轮的准确率和损失率折线图 import matplotlib.pyplot as plt plt.plot(train_loss_list, label='Training Loss') plt.plot(valid_loss_list, label='Validation Loss') plt.xlabel('Epoch') plt.ylabel('Loss') plt.legend() plt.show() plt.plot(train_acc_list, label='Training Accuracy') plt.plot(valid_acc_list, label='Validation Accuracy') plt.xlabel('Epoch') plt.ylabel('Accuracy') plt.legend() plt.show() ``` 在这个代码中，我们首先定义了 `Field`，并使用 `TabularDataset` 加载数据集。然后，我们使用 `Field` 构建了词汇表，并使用 `BucketIterator` 构建了迭代器。接着，我们定义了卷积神经网络模型，并使用 `Adam` 优化器和 `BCEWithLogitsLoss` 损失函数进行训练。我们使用了 `train` 和 `evaluate` 两个函数分别进行训练和测试。最后，我们使用 `matplotlib` 绘制了训练集和测试集每一轮的准确率和损失率折线图。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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