持续集成基础一

一、为什么会产生持续集成与持续交付

互联网行业形势所迫导致敏捷的诞生;网络让新功能秒级速度瞬间到达客户;时间紧,任务重;软件时代的放大招模式->互联网时代的小步快跑模式;不持续,想快跑很难;现状使然,水到渠成。

二、瀑布模型vs敏捷模型

瀑布模型:设计->开发->测试->发布->交付->发现一堆bug;

敏捷模式:微型的瀑布模型 进行迭代;

三、持续集成、持续交付带来的优点

持续集成可以帮助研发和测试团队快速发现错误,每完成一个功能,就将更新内容集成到对应分支上,然后进行测试,这样定位错误会相对容易和高效;

持续集成可以防止分支与主干大幅度的偏离,由于分支与主干是在不断的更新,所以如果不是持续的集成更新内容,就会导致分支与主干的差别越来越大,最终导致代码冲突过多,难以集成。

持续交付能够帮助产品与业务团队能够更快速的在线上尝试最新的产品设计十分能够满足市场的需求,能够快速纠偏,快速让产品满足实际的市场需求;

天下武功唯快不破,效率第一、迅速纠偏是硬需求,持续交付正好可以满足这些

四、jenkins简介

免费的开源平台;常用于持续集成、持续交付还有自动化测试项目;基于java开发,可以跨平台运行;插件丰富,支持各种扩展;优势很多,最大的优势就是使用广泛(用的人多,只因为好用;很多人为它贡献插件,于是乎就更加好用)

五、jenkins下载

下载站点:http://jenkins.io/download;需要下载的文件:jenkins.war 无需安装;直接点击页面上的Download按钮是下载最新版本;

不同类型的版本:文档历史版本(Long-term Support(LTS)),周发布版本(Weekly)建议用LTS

六、启动jenkins之一通过java运行环境启动

本地安装了java的运行时环境,命令行直接启动:java -jar jenkins.war --httpPort=8081

jenkins服务地址为 http://<ip>:8081

七、启动jenkins之二:部署到Tomcat中

准备一台tomcat服务器;将jenkins.war 复制到$tomcat_home/webapps/下;启动tomcat;jenkins服务地址http://<tomcat_ip>:<tomcat_port>/jenkins

Tomcat的启动条件,需要在本地配置好java运行时环境;如果发生端口冲突,需要在config/server.xml中修改对应的端口,避开冲突,日志文件在logs/catalina.out,追加输出日志的方法 tail -f <日志文件路径>

八、启动jenkins之三:docker启动

需要找一台装好了docker的机器;拉取jenkins的docker镜像:docker pull jenkins;启动镜像:docker run --name myjenkins -p 8080:8080 -p 50000:50000 jenkins;jenkins服务地址:http://<Linux_IP>:8080/ ;进入docker容器内壁找到密码,参考命令:docker exec -it myjenkins bash

九、jenkins初始化

jenkins启动后需要先输入初始化密码(initialAdminPassword);初始化密码的存放位置:/var/jenkins_home/secrets/initialAdminPassword;复制出来之后,密码需要输入jenkins的启动首页的响应对话框中;

install suggested plugins可安装常用的插件

十、jenkins创建一个简单的job

新建jenkins任务;类型“自由风格”;简单描述你这个任务;设定构建记录的最大保留天数;关于参数化构建

1、创建一个简单的job验证jenkins的配置

定时触发;“构建步骤”;保存,然后构建,看看结果如果;添加构建参数;添加shell命令,构建验证结果。定时构建:格式:分钟 小时 日期 月份 星期几;

 

 

 

 

 

  • 0
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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