git 拉代码_git 团队协作须知

git 团队协作须知

a). 代码开发流程

尽管 git 命令很多,但平时用得最多的只有以下几个命令:

  • git clone

  • git checkout {branch_name}

  • git pull origin {branch_name}

  • git checkout -b {branch_name}

  • git add .

  • git commit -m “xxx”

  • git push origin {branch_name}

  • git merge {branch_name}

而掌握 git 命令并不代表能把 git 团队协作玩好

目前团队的代码开发流程如下:

b13ffc333131967af5ee5e26a4b2b84e.png

  1. 最新的 master 分支拉取 feautre 分支,每个 feature 分支至少需要关联一个 jira,本地进行开发,自测完成后可合入 test 分支进行提测环节

  2. 当需求测试完成后,将 feature 分支合入到 uat 分支

  3. UAT 完成后,提交 feature 分支的 merge request 至版本分支(版本分支从最新的 master 分支拉取),code review 完成后才进行合并,如果有冲突,务必在自己的 feature 分支解决

  4. 版本分支合并到 master ,QA 基于 master 分支进行发版前的回归测试,如果回归测试过程中发现仍有代码需要修改,要么在原先的 feature 分支进行修复,要么从最新的 master 分支拉出新的 feature 分支进行修复,并提交从 feature 分支到 master 分支的 merge request

  5. 回归测试完成后,从 master 分支合并到 release 分支,并打上标记版本 tag

  6. 版本发布顺利完成后,进入新的版本开发周期

优点:操作简单易行,并且能够相对灵活地应对各种需求的延期问题,版本发布时可自由选择 feature 分支集合进行合并,比较契合目前研发团队的项目管理节奏

缺点:

  1. feature 分支存在时间过长,会与最新的 master 分支出现较大的差异,解决代码冲突的难度以及因修改代码而引入的风险会上升。最典型的是类似渠道接入等上线时间不太确定的需求,这问题几乎是不可避免的

  2. test/uat 等测试分支几乎不可能与 master 分支保持同步,由于对于 test/uat 分支的管控相对没有像 master 分支这么严格,可能一个开发解决冲突的误操作会导致整个 test/uat 分支被污染,最后只能重建 test/uat 分支

b). 开发常识及建议

  1. 不同需求之间尽量不出现修改相同文件代码的情况

  2. feature 分支名与具体的 jira 号关联,commit 也最好与具体的 jira 号关联,尽量保证每一次 commit 都是有意义的,方便项目管理

  3. 提测前对自己 feature 分支产生的代码变动进行静态代码检查

  4. feature 分支的寿命应尽可能短,UAT 完成后就立马上线

  5. 一定要在正确的 feature 分支上修改你的代码,不要在基于 feature 分支的派生分支上修改与 feature 分支相关的代码

  6. 保持 feature 分支干净、纯粹,尽可能不要用一个 feature 分支覆盖多个不同甚至不相干的需求

  7. 尽可能不往公共分支(master/version/release/test/uat 等)引进代码冲突

  8. 禁止 test/uat 分支合并到 feature 分支

  9. 本地 feature 分支同步远程 master 分支,如果出现解决冲突可使用 rebase 以让 feature 分支的历史 commit 相对更线条化,但禁止在公共分支使用 rebase

  10. 解决冲突时不要纯粹选择某分支的内容(切勿过度依赖第三方工具解决代码冲突),所有冲突务必一个接着一个地解决,必要时需要找到相应开发协同解决代码冲突

  11. 解决冲突后一定要再 check 一遍代码的相对变动,防止两种情况的发生:误删了其他开发人员的代码,或者恢复了其他开发人员已经删除的代码。如果这种情况确实发生了,要确认误操作的所有文件修改,如果变动较小可重新把代码补上解决,如果变动较大可能需要将本地分支所有 commit squash 成一个新的 commit 再进行合并

  12. 条件允许,每次发版后及时将 release 分支同步至 master/test/uat 等公共分支

  13. 万不得已,不要使用 git push -f / git reset 之类的带有修改 git 历史性质的命令

c). 事故案例

案例 1

706fa4018890089a00aa2a4145097c18.png

  • 开发 A 从最新 master 拉出新分支 feature1 ,进行代码开发

  • 开发 B 的需求是基于 feature1 拉出新分支 feature2 ,进行代码开发

  • 开发 B 在自测过程中发现 feature1 的代码有一个问题,于是在 feature2 改了(fix bug)并及时合并到 test 分支,没及时知会开发 A,qa 在测试过程中也不可能发现(因为 qa 测试的是 test 分支,不是 feature 分支)

  • 产品经理催 feature1 上线而 feature2 仍在 UAT,于是开发 A 的没有 fix bug 的 feature1 可能就上线了

一定要注意 feature 分支之间的依赖,如果自测出 bug 要及时与相应 feature 开发者沟通

案例 2

b89a67abd9ad07257d7f6712d8aa9b06.png

  • 开发 A 从最新 master 拉出新分支 feature1 ,进行代码开发

  • 开发 B 的需求是基于 feature1 拉出新分支 feature2 ,进行代码开发

  • 开发 B 完成了需求并进行了提测,产品经理在 feature1 的基础上新加了小需求,开发 A 完成了新加的小需求时没有建立新 jira,也没有知会到 B(所以 feature2 分支上线前没有及时合并 feature1),qa 也不知道新 jira 的内容

  • 产品经理催 feature1 和 feature2 都上线,结果发现漏合了这个小需求的代码

所有需求,无论大小,凡是提测后新增的,都必须新建 jira 号以记录需求的变动

案例 3

代码合并冲突不够细心,可能在解决冲突的过程中误删了些代码

解决冲突需要耐心和细心

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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