Jenkins + Git+ Gradle构建Android项目

1.项目的构建

        准备工作我们都已经OK了,下面我们就可以创建一个新的任务用来构建我们的Android项目,在Jenkins的主界面的左侧菜单点击新建,填写任务名称后,选择第一个构建一个自由风格的软件项目,如图:

 

 

点击OK按钮后进入到项目构建配置界面,如下图:

 

 

项目构建配置主要分:项目信息描述、源码管理、构建触发器、构建环境、构建、构建后的操作;

 项目信息描述:该项可以修改任务名称,和当前任务描述信息,其他配置项默认即可,也可以点击后面问号按钮查看说明;

 

   源码管理:该项用来配置当前任务从哪个地方获取源码,这里我们选择Git,如图:

 

RepositoryURL中是项目的git地址,如果项目是公开,则Credentials项不需要填写,否则需要通过Credentials项下的Add按钮进行认证权限的添加如图:

 

其中Kind有多种认证方法,选择使用用户名和密码就ok了,填写好用户和密码,点击下面的Add按钮,完成后刚才的认证方式将出现在Credentials的下拉

选择框中。Branchesto build项用来选择git上的分支的,一般默认选择master分支即可。

到此我们源码管理项,就配置完成了。

 

 

2.系统配置

 

1>  jenkins主页面左侧菜单栏选择系统管理,如下图:

 

2>  全局属性配置,勾选Environmentvariables,配置Android SDK环境,如下图:

这里的值是Android SDK存放路径;

 

3>  JDK配置,如下图

本机安装的JDK1.8版本,JAVA_HOME为本地安装JDK路径,亦可选择自动安装,但是自动安装需联网下载,需要等很长时间;

 

4>  Git配置,如下图

可通过在终端输入命令行whereis git来查看git安装路径。

 

5>  Gradle配置。本机需先安装Gradle,在进行配置,如下图

GRADLE_HOME为本机安装Gradle的路径。

这里需要注意gradle版本需要跟工程支持的版本相一致,否则构建时会报错。

 

届时系统配置完成,点击下方保存按钮。

 

3.项目配置

 

接上面的项目配置。

 

1>    构建触发器,勾选Buildperiodically指定时间构建,这里需要指定一个时间或时间段,具体写法请看介绍,配置如下:

这里是每天上午9点构建,可以按需修改,或者勾选下面一个选项(当项目有变动时构建)。

 

 

2>     

增加构建步骤:

添加Invoke Gradle script&& Execute shell

Gradle version 需要跟前面系统配置Gradle时写的版本一致,

Tasks是目标操作,这里是打包操作。

 

配置fir脚本shell,最后部分为fir账号的API token

 

点击保存,然后再执行“立即构建”,可以看到如下图的输出:

届时说明项目构建完成并分发到fir平台。我们可以在输出路径查看到apk文件,同时可以在fir平台上看到你提交发布的应用,扫码下载。


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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