stackoverflow上 What is a build tool? 的一个回答



什么是构建工具

构建工具是一个把源代码生成可执行应用程序的过程自动化的程序（例如Android app生成apk）。构建包括编译、连接跟把代码打包成可用的或可执行的形式。

基本上构建的自动化是编写或使一大部分任务自动执行的一个动作，而这些任务则是软件开发者的日常，像是：

下载依赖
将源代码编译成二进制代码
打包生成的二进制代码
进行单元测试
部署到生产系统
为什么要使用构建工具或构建自动化

在小型项目中，开发者往往手动调用构建过程，这样在大型的项目中很不实用，在构建过程中难以跟踪什么需要被构建、按照什么顺序构建以及项目中存在哪些依赖。使用自动化工具会使构建过程更为连续。



各种现有构建工具（只列举了部分）

For java - Ant,Maven,Gradle.
For .NET framework - NAnt
c# - MsBuild.
深入阅读

Build automation （有中文版，但是不详细）
List of build automation software
就做了一点微小的工作，谢谢大家。



原文地址

http://stackoverflow.com/questions/7249871/what-is-a-build-tool

区块链开源代码什么意思
 在从事开源工作的10多年中，我参与了一些具有创新思想的小型项目，这些创意后来发展成为具有牢固社区的大型项目。 我还见证了功能失调的社区如何从项目中汲取能量。 
 我最近还通过编写项目并为项目做出贡献而活跃于区块链。 我注意到，区块链项目就像具有开放开发和开放业务模型的初创公司。 因此，要成功，区块链初创企业必须学习如何以开源方式构建社区。 
 区块链与其他开源项目不同的4种方式 
 开源代码 
 区块链的基本前提之一就是去中心化-将控制权和数据回馈给用户。 没有透明度和开放性就不可能实现权力下放。 如果区块链的源代码是封闭的，则与昨天的集中式封闭系统没有什么不同-除非它是开放的，否则无法读取和确认系统正在执行其应做的工作。 
 即使是试图避免开源的项目也必须承认代码必须处于最低水平。 例如，Hedera Hashgraph（这不是一个区块链项目，而是一个类似的软件类别）将不会自由分发用于fork的代码，而是将其打开以供审查 。 根据开源倡议的定义 ，我们是否可以将其归类为开源尚有待商bat。 底线：如果源代码不可读或不可验证，则在不受信任的区块链平台上运行某些内容是没有意义的。 
 打开运行时 
 开源区块链项目与其他类型的开源项目的不同之处在于，它们打开其运行时（以及其源代码）。 其他开放源代码项目可以在开放环境中开发，但可以运行，并且可以作为开放核心，服务或封闭系统的一部分使用。 公共区块链是未经许可的，也就是说，任何人都可以加入网络，离开网络或运行一两个节点。 这代表了具有开放治理的不受信任和无边界的运行时。 
 打开数据 
 开源区块链项目使其数据公开。 任何人都可以派生代码（客户端应用程序）或数据（区块链历史记录）并启动新网络。 这最终使区块链项目成为有史以来最开放的软件系统。 开放代码，开放数据，开放运行时和开放业务模型可确保跨多个维度的开放性。 
 开放商业模式 
 区块链初创公司是开源开发和开放价值获取模型在源代码级别混合的独特组合。 虽然基于非区块链的开源项目通过协作开发和开放采用来创造价值 ，但通过单独的业务模型（例如SaaS，开放核心，订阅等）来获取价值却可以在以后确定。 对于区块链项目，白皮书中描述了业务模型，而捕获价值的令牌模型则预先在源代码中实现。 这使区块链项目独特地融合了价值创造，即时捕获和分配。 
 为什么这么开放？ 
 大多数区块链项目旨在成为具有开放标准和协议的平台或枢纽，这些标准和协议将首先吸引开发人员并被其采用，然后再由用户使用。 他们吸引开发人员的主要方式不是通过相对于非区块链技术的技术优势，而是通过开放性实现的独特去中心化特征。 这些平台必须开放才能变得比封闭系统开发人员和用户一直在使用的更具吸引力。 开放不仅是区块链透明度的先决条件，而且是其分布和采用的先决条件，尤其是在吸引开发人员使用平台或协议方面。 开源使开发人员能够探索，学习和开始使用项目。 
 “开放”不是弱点吗？ 
 曾经有一段时间，由于竞争对手可能复制和窃取您的代码或构想，因此认为打开您的代码具有风险。 如今，开源是吸引开发人员的主要方式，尤其是对于以开发人员为中心的平台，工具和库而言。 但是，由于区块链还使运行时和数据开放，因此任何人都可以派发代码和数据并启动并行网络。 这使得项目更容易受到分裂，分叉和价值抢夺的影响（正如我们在流行的区块链网络（如比特币和以太坊）的分叉中所看到的）。 即便如此，开放项目的表现要比封闭项目好，后者试图防止分叉并且不能轻易吸引追随者。 这是因为开放被认为是力量的标志。 如果网络是如此开放，并且仍然能够经受住分叉和攻击，那么它的社区将变得更加强大。 
 开放性的概念已经扩展到项目之外，包括渴望通过开放源代码，会议讨论，博客，推特等分享知识的人员和组织。 创新在某些领域发生得如此之快，以至于发明人已经创造了一个新的想法，而其他人都无法理解和复制旧的想法。 在赢家通吃的市场中效仿，对社区发展产生负面的网络影响。 在征服封闭和集中式系统的过程中，开放是主要武器。 
 炒作不同于社区 
 成功的初始代币发行（ ICO ）投资者通常在进行早期投资之前先评估项目的炒作。 （这通常仅在提早投资后又提早退出的情况下才起作用。实际上，这意味着确定最被炒作的ICO，并在交易所上市后立即出售所有代币。）炒作通常使用围绕ICO的简单统计数据进行衡量。在Twitter，Facebook，Reddit，Telegram等网站上关注。但是，由于以下原因，这些指标对于衡量社区实力没有太大价值： 

 指标会被虚假帐户，付费关注者和订阅者等人为地夸大。 
 ICO开展空投活动并分发代币以用于关注，订阅，加入等。 
 这些是衡量以开发人员为中心的社区的错误指标 

 开发人员将使用的开源项目（例如，作为平台或协议）应衡量开发人员的活动，而不是空投猎人的活动。 上面提到的任何动作都不会在项目社区中产生粘性。 实际上，他们都使用临时激励措施有意歪曲了社区的指标。 
 市值超过社区 
 Apache软件基金会（ ASF ，我是其中的成员，提交者和项目管理委员会的参与者）是最大，最古老的软件基金会之一，是数百个受欢迎的开源项目的所在地。 它有一个非常基本的信念：“ 代码之上的社区” 。 尽管没有该代码，ASF没有理由存在，但此口号将组织的运作方式编成代码。 首先，ASF是社区的家，而不仅仅是代码存储库。 该规范是一个良好而健康的社区的副产品，ASF致力于围绕项目团结起来发展健康的社区。 
 例如，一个ASF项目通过邮件列表订阅者的数量，发送的电子邮件，打开/关闭的问题，创建/合并的拉取请求，完成的软件发布，提交者和PMC投票来衡量其活动和进度。 最后一个是项目健康的重要长期指标，因为它衡量社区成员对项目成功的承诺水平。 所有这些指标都是关于技术人员执行的活动的，而不是暂时激励空投猎人的活动。 这些活动很难伪造，因为它们要求某人为项目做某事（通常会消耗脑力和时间），而不仅仅是单击“喜欢/关注”按钮（这样更容易外包）。 
 区块链项目的生态系统比典型的开源项目更为复杂。 有开发人员，也有矿工（或运行网络的任何人），投资者和用户。 仅仅衡量开发人员的活动并不能充分表明整个生态系统的实力，但是关注正确的指标将是一个好的开始。 
 与ASF的“基于代码的社区”类似，我认为加密货币将从“基于市值的社区”中受益。 一个健康的社区是比暂时大的市值更重要的长期措施。 
 代币或硬币的价格及其市值可以被熊市人为操纵或暂时影响。 一个强大而健康的社区可以经受跌宕起伏的考验。 一个不健康的社区，对项目没有任何粘性，无论如何都会崩溃。 
翻译自: https://opensource.com/article/18/11/what-blockchain-can-learn-open-source
区块链开源代码什么意思

Keras构建CNN
摘要：keras能够极其简单的构造出CNN网络

使用TensorFlow创建卷积神经网络（CNN）来对MNIST手写数字数据集进行分类的方法很经典。TensorFlow是一款精湛的工具，具有强大的功能和灵活性。然而，对于快速原型制作工作，可能显得有些麻烦。Keras是一个运行在TensorFlow或者Theano的更高级别的库，旨在流线化构建深度学习网络的过程。事实上，在TensorFlow教程中  ，TensorFlow大约需要42行完成的内容，在Keras中只需11行就可以完成类似的功能。接下来我将向你展示如何通过Keras做到这一点。
该Keras教程将向你展示如何使用MNIST数据集构建CNN并实现> 99％的准确性。它与我之前的卷积神经网络教程中构建的结构完全相同 ，下图显示了网络的架构：



这个Keras教程的完整代码可以在这里找到。
Keras教程中的主要代码讲解：
下面的代码是在此Keras教程中使用的CNN结构
model = Sequential()
model.add(Conv2D(32, kernel_size=(5, 5), strides=(1, 1),
                 activation='relu',
                 input_shape=input_shape))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
model.add(Conv2D(64, (5, 5), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(1000, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))

接下来我们一步一步的来解释：
Model  =  Sequential()
Keras中的模型可以有两种——序贯和通过API函数。对于构建的大多数深度学习网络，序贯模型是最常用的。它允许你从输入到输出整个过程都能轻松地堆叠网络层（甚至循环层）。而API函数可以帮助你构建更复杂的网络体系结构，本教程将不介绍它。
第一行将模型类型声明为Sequential（）。
model.add(Conv2D(32, kernel_size=(5, 5), strides=(1, 1),
                 activation='relu',
                 input_shape=input_shape))

接下来，我们添加一个2D卷积层来处理2D MNIST输入的图像。传递给Conv2D（）  函数的第一个参数是输出通道的数量。这里我们设置为我们有32个输出通道，下一个输入是kernel_size，我们选择了一个5×5移动窗口，其次是x和y方向（1,1）的步态。接着，激活函数是整流线性单元，最后我们必须与输入层的大小提供模型。
还要注意，我们不必声明任何权重或偏差变量，Keras会帮助我们进行完成。
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))

接下来我们添加一个2D max pooling层。层的定义很简单。在这种情况下，我们只是简单地指定在x和y方向上的池的大小和（2，2）的步。
model.add(Conv2D(64, (5, 5), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

接下来，我们添加另一个卷积层+最大池化层，具有64个输出通道。在Keras中Conv2D（）函数的参数默认的步伐是（1,1），在Keras 中默认步伐是使它等于池的大小。
该层的输入张量是（batch_size，28,28,32）28×28是图像的大小，32是来自上一层的输出通道数。但是，我们不必明确说明输入的形状是什么，Keras也能自动识别。这样可以快速组合网络架构，而不用担心网络周围张量的大小。
model.add(Flatten())
model.add(Dense(1000, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))

现在我们已经在Keras中构建了卷积层，我们希望将这些输出平坦化，以完全进入我们的连接层。在TensorFlow中，我们为了平坦化必须弄清楚卷积层的输出张量的大小，还要明确我们的权重和偏差变量的大小。
接下来的两行声明了我们的完全连接层，使用Keras中的Dense（）层。首先我们指定大小，根据我们的架构，我们指定了1000个节点，每个节点都是由ReLU功能激活。第二个是我们softmax分类或输出层，这是我们类数量的大小。就这样 - 我们已经成功地开发了CNN的架构，只有8行代码。现在让我们来训练模型并执行预测。
训练和评估卷积神经网络
我们已经开发了Keras的CNN架构，但是我们还没有指定损失函数，或者告诉框架使用哪种类型的优化器（即梯度下降，Adam optimiser等）。在Keras中，这些可以在一个命令中执行：
model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.SGD(lr=0.01),
              metrics=['accuracy'])

Keras提供了许多损失函数（或者你可以建立自己的），这里可以看到的keras所有的损失函数。我们将使用标准交叉熵来进行分类（keras.losses.categorical_crossentropy）。Keras还提供了许多优化器，可以在这里看到。在这种情况下，我们使用Adam优化器（keras.optimizers.Adam）。最后，我们可以在模型上运行evaluate（）时计算的度量。
接下来，我们要训练我们的模型。这可以通过在Keras中再次运行下面这个命令来完成：
model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test),
          callbacks=[history])

该命令看起来类似于非常受欢迎的Python机器学习库中scikit learn 使用的语法。我们首先传递我们的所有训练的数据，x_train和y_train，下一个参数是批量大小，我们不必在Keras训练期间明确我们数据的批量处理，而是指定批量大小。在这种情况下，我们使用的批量大小为128。接下来我们设置训练周期（在这种情况下为10）。详细标志在此处设置为1，指定设定是否要在控制台中打印详细信息以了解训练进度。
3328/60000 [>.............................] - ETA: 87s - loss: 0.2180 - acc: 0.9336
3456/60000 [>.............................] - ETA: 87s - loss: 0.2158 - acc: 0.9349
3584/60000 [>.............................] - ETA: 87s - loss: 0.2145 - acc: 0.9350
3712/60000 [>.............................] - ETA: 86s - loss: 0.2150 - acc: 0.9348

最后，我们将验证或测试数据传递给拟合函数，因此Keras知道在模型上运行evaluate（）时，会测量指标的数据。
一旦模型被训练，我们可以评估它并打印结果：
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

在上述模型培训10个周期之后，我们实现了99.2％的准确度，你可以看到每个周期的准确性的改善如下图所示：

Kersa让事情很更加简单了，你不觉得吗？我希望这个Keras教程已经展示了它如何成为深度学习解决方案的有用框架。
作为一种附录，我会告诉你如何跟踪我们通过训练时期的准确性，这使我能够生成上面的图表。
在Keras中记录网络性能

Keras有一个实用的程序，名为“回调”，可用于跟踪训练期间的各种变量。你还可以使用它来创建检查点，将模型在训练的不同阶段进行保存，以帮助你避免工作结果丢失。整个结果会被传递到.fit（）函数，如上所述。我会向你显示一个相当简单的用例，其中记录了准确性。
要创建一个回调，我们创建一个继承的类，它继承自keras.callbacks.Callback：
class AccuracyHistory(keras.callbacks.Callback):
    def   on_train_begin(self, logs={}):
        self.acc = []
    def  on_epoch_end(self, batch, logs={}):
        self.acc.append(logs.get('acc'))

上面代码继承的Callback超类有一些可以在我们的回调定义中覆盖的方法，例如  on_train_begin，on_epoch_end，on_batch_begin和on_batch_end。这些方法的名称就是代表了训练过程中我们可以“做事情”的时刻。在上面的代码中，在训练开始时，我们初始化一个列表self.acc = []来存储我们的精度结果。使用on_epoch_end （）方法，我们可以从日志中提取我们想要的变量，这是一个字典，默认情况下保留了训练过程中的丢失和准确性。然后我们实例化这样的回调：
history = AccuracyHistory()

现在我们可以使用回调参数名将历史记录传递给.fit（）函数。请注意，.fit（）需要一个回调参数的列表，所以你必须传递这样的历史：[history]。要访问我们在训练完成后创建的准确性列表，你可以简单地调用history.acc：
plt.plot(range(1,11), history.acc)
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.show()

文章原文《Keras tutorial – build a convolutional neural network in 11 lines》

文章目录
Docker - IDEA + postgres + sonarqube 构建代码质量检测平台
1、sonarqube 连接不上mysql， sonarqube  放弃对 mysql 的支持
2、整个postgres 数据库
3、构建sonarqube 镜像
4、登陆sonarqube 管理界面，然后汉化该界面
5、修改 maven 配置文件
6、安装IDEA 的 sonarLint 插件
7、直接使用 sonarLint  进行分析
8、通过maven 命令构建项目测试
9、查看和分析代码的问题

Docker - IDEA + postgres + sonarqube 构建代码质量检测平台

1、sonarqube 连接不上mysql， sonarqube  放弃对 mysql 的支持
自 sonarqube 7.9 以后，sonarqube  不再对mysql 提供支持，所以用mysql 环境的连接是无法启动 sonarqube 镜像的
2、整个postgres 数据库
参考我的前置文章：【Docker - postgres 数据库 】 https://blog.csdn.net/qq_15071263/article/details/95786510
3、构建sonarqube 镜像
请根据自己的postgres 数据库进行配置
docker run -d --name sonarqube     -p 9000:9000     -e sonar.jdbc.username=postgres     -e sonar.jdbc.password=root     -e sonar.jdbc.url=jdbc:postgresql://192.168.1.109:5432/sonar     sonarqube


4、登陆sonarqube 管理界面，然后汉化该界面
喜欢英文的同学，可以跳过此步骤
点击 admin


然后点击 marketplace ，网络不好可能需要多等会儿

搜索汉化插件，然后安装

然后就让他慢慢装吧，喜欢抽烟的小伙子可以去抽根烟，网络环境差的，你就去抽3根

安装成功了，就让你重启服务，重启就行了


汉化完了



5、修改 maven 配置文件
找到 maven 的settings.xml 文件
在profiles 下 增加一个 profile


		<profile>
            <id>sonar</id>
            <activation>
                <activeByDefault>true</activeByDefault>
            </activation>
            <properties>
                <sonar.jdbc.url>jdbc:postgresql://localhost:5432/sonar</sonar.jdbc.url>
                <sonar.jdbc.driver>org.postgresql.Driver</sonar.jdbc.driver>
                <sonar.jdbc.username>postgres</sonar.jdbc.username>
                <sonar.jdbc.password>root</sonar.jdbc.password>
                <sonar.host.url>http://localhost:9000</sonar.host.url>
            </properties>
		</profile>

6、安装IDEA 的 sonarLint 插件
自己装个插件
7、直接使用 sonarLint  进行分析
打开IDEA 的 sonarLint   工具菜单


然后随便打开一个类，工具就会提示你哪里有问题

8、通过maven 命令构建项目测试
打开IDEA 的maven 工具，执行命令行


然后喜欢抽烟的小伙子可以去抽烟了，项目大点的就去抽个三根吧，很小的，就等个2分钟

成功了，我们去 sonarqube 上看看，比IDEA 的插件多找出来一个问题


9、查看和分析代码的问题
点这个，进入到该项目


然后点问题，就可以看到问题列表了



然后我们点进去一个问题

然后我们点击查看规则，看看这个问题是什么原因导致的
他的意思是说
记录消息时，必须满足以下几个重要要求：
用户必须能够轻松检索日志
所有记录消息的格式必须统一，以允许用户轻松读取日志。
必须实际记录记录记录的数据
必须安全记录敏感数据
如果程序直接写入标准输出，那么绝对没有办法满足这些要求。这就是为什么强烈建议定义和使用专用记录器的原因。

他觉得，打印输入内容应该使用logger 进行输出，而不是控制台输出