test

1.环境 　　windows10 专业版 　　Jenkins 2.7 　　apache-ant-1.9.6 　　JDK1.8.0_20 2.整体思路 　　jdk：支持ant脚本中的编译、测试等target。 　　ant脚本：负责java代码的编译、JUnit。 　　Jenkins：调度触发ant脚本的执行。 　　 3.开始练兵 　 　3.1 项目整体结构 com.java.src下面放源码 MessageUtil.java com.java.test目录下放JUnit测试文件 TestMessageUtil.java build.xml文件放在根目录下，即位于AntJunit-v1.0目录下，和src位于同一级别。 3.2 项目源码 1 package com.java.src; 2 3 public class MessageUtil { 4 private String message; 5 6 //Constructor 7 //@param message to be printed 8 public MessageUtil(String message){ 9 this.message = message; 10 } 11 12 // prints the message 13 public String printMessage(){ 14 System.out

expect有助于自动化脚本中的交互过程的自动输入，例如远程登录需要输入确认信息、密码，安装脚本需要输入确认信息、用户名、密码、选择配置选项等等。 expect内部命令中的expect可以匹配一个给定的字符串，匹配上了可以再使用send命令返回一个字符串。 [例1] 使用"-c"选项，从命令行执行expect脚本 [root@xxx test]# expect -c 'expect "\n" {send "pressed enter\n"}' pressed enter [root@xxx test]# [root@xxx test]# expect -c 'expect "hi" {send "You said hi\n"}' hi You said hi [root@xxx test]# expect -c 'expect "hi" {send "You said hi\n"}' high You said hi [root@xxx test]# 再看一个ssh登录的例子， [例2-1] ssh登录主机，test.exp内容如下（主机名和密码写在脚本中，执行完成后退出） #!/usr/bin/expect set ipaddr "localhost" set passwd "iampasswd" spawn ssh root@$ipaddr expect { "yes/no"

机器学习简介 1 机器学习 1.1 数据集 数据集 = 特征值 + 目标值 1.2 算法分类 监督学习 目标值：类别 - 分类问题 目标值：连续数据 - 回归问题 无监督学习 ：无目标值 1.3 机器学习流程 1.4 Scikit-learn pip3 install Scikit-learn == 0.19.1 2 sklearn 特征工程 2.1 scikit-learn数据集API 2.2 数据集 2.2.1 小数据集 2.2.2 大数据集 2.2.3 返回值 # 导入鸢尾花 from sklearn . datasets import load_iris 2.2.4 数据集的划分 from sklearn . model_selection import train_test_split x_train , x_test , y_train , y_test = train_test_split ( iris . data , iris . target , test_size = 0.2 , random_state = 22 ) print ( f "测试集：{x_train}, 大小：{x_train.shape}" ) 2.3 特征工程 Feature Engineering sklearn 特征工程 pandas 数据清洗，数据处理 2.3.1 特征抽取API

在 Vivado 中用 tcl 命令非常强大。 例如可以把整个工程导出到.tcl文件，非常方便分发、备份。 1(a).把工程保持成.tcl文件 tcl: write_project_tcl c:/vivado_project/pro.tcl gui: File->Project->Write tcl...，然后选择tcl路径即可。 注意：最好把.tcl中列出的依赖文件（.v, .sdc, .wcfg等）拷贝到.tcl文件的目录下，然后在.tcl文件中修改这些文件的路径，这样整个工程就可以分发了，无需依赖原工程。 # The following source(s) files that were local or imported into the original project. # (Please see the '$orig_proj_dir' and '$origin_dir' variable setting below at the start of the script) # "C:/emac_pcs_pma_udp_test-2019-02-19_final/emac_pcs_pma_udp_test/emac_pcs_pma_udp_test.srcs/sources_1/new/pxi_interface.v" # "C:/emac_pcs_pma_udp

本文是 Deep Learning Specialization 系列课程的第1课《 Neural Networks and Deep Learning 》中Logistic Regression with a Neural Network mindset练习部分的笔记。 在《 02 神经网络 - 神经网络和深度学习 [Deep Learning Specialization系列] 》中，我们了解了神经网络的大部分理论知识。通过该编程实例，我们能构建一个简答的逻辑回归的分类器来识别猫，以复习神经网路的知识并了解具体的编程实现。 概述 本试验使用的是 h5 格式的数据集，该数据集包含有标注结果的训练数据和测试数据，通过以下7个步骤来完成神经网络的训练和预测： 数据加载 数据处理 参数初始化 逻辑回归函数的实现（正向传播） 损失/代价函数的实现（正向传播） 梯度递减算法的实现（反向传播） 预测 1. 数据加载 h5 格式的数据的读取是通过 h5py 库来实现的，简单的介绍可以参考我的上一篇文章《 h5py - HDF5 for Python的简单入门 》。 首先构建一个 load_dataset() 函数来完成数据的加载，该函数通过 h5py.File() 函数来读取 h5 格式的数据文件，将训练数据和测试数据做一个简单处理后，输出 train_set_x_orig , train

先简单说明一下，对于mqtt是个双向通信的过程，也就是说，他既允许client向broker发布消息，同时也允许broker向client发布消息 public void processPublish(Channel channel, MqttPublishMessage msg) { final MqttQoS qos = msg.fixedHeader().qosLevel(); final String clientId = NettyUtils.clientID(channel); LOG.info("Processing PUBLISH message. CId={}, topic={}, messageId={}, qos={}", clientId, msg.variableHeader().topicName(), msg.variableHeader().packetId(), qos); switch (qos) { case AT_MOST_ONCE: this.qos0PublishHandler.receivedPublishQos0(channel, msg); break; case AT_LEAST_ONCE: this.qos1PublishHandler.receivedPublishQos1(channel, msg); break; case

1. Makefile 简介 Makefile 是和 make 命令一起配合使用的. 很多大型项目的编译都是通过 Makefile 来组织的, 如果没有 Makefile, 那很多项目中各种库和代码之间的依赖关系不知会多复杂. Makefile的组织流程的能力如此之强, 不仅可以用来编译项目, 还可以用来组织我们平时的一些日常操作. 这个需要大家发挥自己的想象力. 本篇博客是基于 {精华} 跟我一起写 Makefile 而整理的, 有些删减, 追加了一些示例. 非常感谢 gunguymadman_cu 提供如此详尽的Makefile介绍, 这正是我一直寻找的Makefile中文文档. 1.1 Makefile 主要的 5个部分 (显示规则, 隐晦规则, 变量定义, 文件指示, 注释) Makefile基本格式如下: target ... : prerequisites ... command ... ... 其中, target - 目标文件, 可以是 Object File, 也可以是可执行文件 prerequisites - 生成 target 所需要的文件或者目标 command - make需要执行的命令 (任意的shell命令), Makefile中的命令必须以 [tab] 开头 显示规则 :: 说明如何生成一个或多个目标文件(包括 生成的文件, 文件的依赖文件,

一、概述 简介 Jenkins 2.x的精髓是Pipeline as Code，那为什么要用Pipeline呢？jenkins1.0也能实现自动化构建，但Pipeline能够将以前project中的配置信息以steps的方式放在一个脚本里，将原本独立运行于单个或者多个节点的任务连接起来，实现单个任务难以完成的复杂流程，形成流水式发布，构建步骤视图化。简单来说，Pipeline适用的场景更广泛，能胜任更复杂的发布流程。举个例子，job构建工作在master节点，自动化测试脚本在slave节点，这时候jenkins1.0就无法同时运行两个节点，而Pipeline可以。 基本概念 Stage: 阶段，一个Pipeline可以划分为若干个Stage，每个Stage代表一组操作。注意，Stage是一个逻辑分组的概念，可以跨多个Node。 Node: 节点，一个Node就是一个Jenkins节点，或者是Master，或者是slave，是执行Step的具体运行期环境。 Step: 步骤，Step是最基本的操作单元，小到创建一个目录，大到构建一个Docker镜像，由各类Jenkins Plugin提供。 语法 Pipeline支持两种语法： Declarative Pipeline （在Pipeline 2.5中引入，结构化方式）和 Scripted Pipeline

Hbase索引表的结构 Hbase Rowkey 设计 Hbase Filter Hbase二级索引 Hbase索引表的结构 　 　在HBase中，表格的Rowkey按照字典排序，Region按照RowKey设置split point进行shard，通过这种方式实现的全局、分布式索引，成为了其成功的最大的砝码 　　每一个索引建立一个表，然后依靠表的row key来实现范围检索。row key在HBase中是以B+ tree结构化有序存储的，所以scan起来会比较效率。 单表以row key存储索引，column value存储id值或其他数据 ，这就是Hbase索引表的结构。 　　Hbase QualifierFilter用于过滤qualifier，也就是一个列族里面data:xxx，冒号后面的字符串 Hbase Rowkey 设计 　　大数据最好从rowkey入手，ColumnValueFilter的数度是很慢的，hbase查询速度还是要依靠rowkey，所以根据业务逻辑把rowkey设计好，之后所有的查询都通过rowkey，是会非常快。 批量查询最好是用 scan的startkey endkey来做查询条件 　　rowkey是hbase中很重要的一个设计，如果你把它当成普通字段那你的设计就有点失败了。它的设计可以说是一门艺术。你的查询如果不能把rowkey加入进来

最近所在的两个项目组都用到了敏捷开发Scrum，之前对它的理解更多的停留在自己工作涉及到的一些具体形式，比如Daily Scrum，工作量的评估等。对于Scrum是什么，为什么要用Scrum，一直没有去思考过这些问题，更没有做过深入的学习。前几天看到园子里的一篇关于scrum的博文（ http://www.cnblogs.com/speeding/archive/2012/10/30/2746532.html ），收获颇多，加深了对Scrum的理解。 Scrum的出现，我的理解是为了适应软件需求的频繁变化，以及满足客户尽快看到软件产品的需求。从网上搜索了一下对Scrum的定义，摘录了一个觉得解释最好的关于Scrum的定义如下： Scrum是一个敏捷开发框架，是一个增量的、迭代的开发过程。在这个框架中，整个开发过程由若干个短的迭代周期组成，一个短的迭代周期称为一个Sprint，每个Sprint的建议长度是2到4周。在Scrum中，使用产品Backlog来管理产品的需求，产品backlog是一个按照商业价值排序的需求列表，列表条目的体现形式通常为用户故事。Scrum团队总是先开发对客户具有较高价值的需求。在Sprint中，Scrum团队从产品Backlog中挑选最高优先级的需求进行开发。挑选的需求在Sprint计划会议上经过讨论、分析和估算得到相应的任务列表，我们称它为Sprint