免费CI/CD工具排行榜有哪些

原创 2025-04-24 11:03:17 1.9k 阅读 AI写同款
AI工具指南
AI工具指南 博客等级 码龄2年 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.9k累计阅读 1.9k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要
2175粉丝290篇原创
关注
华中科技大学 计算机组成原理 educoder Logisim平台 计算机数据表示实验 本文主要是对 计算机数据表示实验的笔记和相关Logisim平台的图，供大家学习交流使用。 需要源文件或者源代码，可以留言评论！ 目录实验目的第1关：汉字国标码转区位码实验第2关：汉字机内码获取实验第3关：偶校验编码设计第4关：偶校验解码电路设计第5关：16位海明编码电路设计第6关：16位海明解码电路设计第7关：海明编码流水传输实验第8关：16位CRC并行编解码电路设计第9关：CRC编码流水传输实验实验结果： 实验目的 本实训将帮助同学们巩固对计算机中数据表示方法的理解，要求能设计汉字国标码与区位码之间的转换 阅读详情
AI摘要

本文介绍了免费CI/CD工具排行榜，包括GitLab CI/CD、GitHub Actions、Jenkins等。详细阐述了各工具特点，如GitHub Actions与GitHub无缝集成、操作简单；GitLab CI/CD与GitLab仓库深度集成。还提醒团队选择时要综合自身需求、项目规模等因素，以提升开发效率和软件质量。

免费CI/CD工具排行榜中比较受欢迎的有：1.GitLab CI/CD 2.GitHub Actions 3.Jenkins 4.CircleCI 5.Travis CI 6.Drone CI 7.Buddy 8.Semaphore 9.AppVeyor 10.Bitbucket Pipelines。其中，GitHub Actions因其与GitHub无缝集成、操作简单且支持广泛的第三方服务而备受青睐。GitHub Actions不仅可以自动化构建、测试和部署代码，还支持自定义的工作流，这使得它在开发者中非常流行。通过预定义的Actions库，用户可以轻松地将不同的任务组合在一起，形成复杂的CI/CD流水线。此外，GitHub Actions还提供丰富的社区支持和文档资源，帮助用户快速上手并解决遇到的问题。

一、GITLAB CI/CD

4f13e8d12554d75e2fc8b37d33099434.jpeg

极狐GitLab CI/CD是GitLab提供的一套完整的持续集成和持续交付解决方案。其主要特点是与GitLab仓库的深度集成，用户可以轻松地在GitLab界面中配置CI/CD流水线。GitLab CI/CD支持使用YAML文件定义流水线，允许用户对构建、测试和部署过程进行细粒度的控制。GitLab CI/CD还提供了丰富的功能，如并行执行、缓存、依赖管理和安全扫描。对于团队协作，GitLab CI/CD支持多项目流水线和跨项目依赖管理，使得大型项目的CI/CD流程更加高效。GitLab还提供了丰富的文档和社区支持，用户可以通过官网获取更多资源。

极狐GitLab官网：GitLab-10万企业使用的一站式DevOps平台_GitLab中文官网

二、GitHub Actions

GitHub Actions是一款强大的CI/CD工具，直接集成在GitHub平台内。其主要优势在于与GitHub仓库的无缝集成，使得代码变更可以立即触发相应的工作流。GitHub Actions支持YAML文件定义工作流，用户可以通过简单的配置文件来描述构建、测试和部署过程。GitHub提供了大量预定义的Actions供用户选择，涵盖了从代码质量检查、单元测试到部署的各个环节。GitHub Actions还支持自定义Actions，允许用户创建和共享自定义任务模块。此外，Actions的社区非常活跃，用户可以从其他开发者共享的Actions中受益，节省开发时间。

GitHub官网：GitHub: Let’s build from here · GitHub

三、JENKINS

Jenkins是一款开源的自动化服务器，广泛用于构建、测试和部署软件项目。作为一款历史悠久的CI/CD工具，Jenkins拥有丰富的插件生态系统，可以与各种版本控制系统、构建工具和部署环境集成。用户可以通过Jenkinsfile使用Groovy脚本定义流水线，支持复杂的构建和发布流程。Jenkins还支持分布式构建，允许多个构建节点并行执行任务，提高构建效率。尽管Jenkins的配置和管理可能较为复杂，但其强大的功能和灵活性使其成为许多大型项目的首选。

Jenkins官网：Jenkins

四、CIRCLECI

CircleCI是一款云端的CI/CD服务，支持快速的自动化构建、测试和部署。其主要特点是易于配置和使用，用户可以通过简单的配置文件（config.yml）定义流水线。CircleCI支持Docker容器，允许用户在隔离的环境中运行构建和测试任务，提高了安全性和一致性。CircleCI还提供了强大的并行执行和缓存功能，可以显著缩短构建时间。对于需要高可用性和扩展性的团队，CircleCI提供了企业版，支持自定义的构建环境和更高的资源配额。

CircleCI官网：Continuous Integration and Delivery - CircleCI

五、TRAVIS CI

Travis CI是一款基于云的CI/CD工具，主要面向开源项目。其主要优势是与GitHub的深度集成，用户可以通过.travis.yml文件定义构建和测试流程。Travis CI支持多种编程语言和平台，用户可以轻松配置不同的构建环境。对于开源项目，Travis CI提供免费服务，用户可以享受无限的构建和测试资源。Travis CI还支持并行执行和缓存，帮助用户加快构建速度。尽管Travis CI的配置相对简单，但其功能足够满足大多数项目的需求。

TravisCI官网：Simple, Flexible, Trustworthy CI/CD Tools - Travis CI

六、DRONE CI

Drone CI是一款基于容器的开源CI/CD工具，支持通过简单的YAML文件定义流水线。其主要特点是轻量级和易于扩展，用户可以通过插件和扩展点自定义构建流程。Drone CI支持多种版本控制系统，如GitHub、GitLab和Bitbucket，用户可以轻松地将代码变更与流水线触发器关联。Drone CI还提供了强大的并行执行和缓存功能，可以显著提高构建效率。对于需要高定制化和扩展性的项目，Drone CI是一个理想的选择。

DroneCI官网：Drone CI – Automate Software Testing and Delivery

七、BUDDY

Buddy是一款用户友好的CI/CD工具，支持通过可视化界面定义流水线。其主要优势是易于使用和配置，用户可以通过拖放组件来创建和管理流水线。Buddy支持多种编程语言和平台，用户可以轻松配置不同的构建和测试环境。Buddy还提供了强大的并行执行和缓存功能，可以显著缩短构建时间。对于需要快速上手和简单配置的团队，Buddy是一个理想的选择。

Buddy官网：Buddy: The DevOps Automation Platform

八、SEMAPHORE

Semaphore是一款高性能的CI/CD工具，支持快速的自动化构建、测试和部署。其主要特点是高可用性和扩展性，用户可以通过简单的配置文件定义流水线。Semaphore支持Docker容器，允许用户在隔离的环境中运行构建和测试任务，提高了安全性和一致性。Semaphore还提供了强大的并行执行和缓存功能，可以显著缩短构建时间。对于需要高性能和扩展性的团队，Semaphore是一个理想的选择。

Semaphore官网：

九、APPVEYOR

AppVeyor是一款基于云的CI/CD工具，主要面向Windows平台。其主要优势是与Windows环境的深度集成，用户可以通过简单的配置文件定义构建和测试流程。AppVeyor支持多种编程语言和平台，用户可以轻松配置不同的构建环境。对于需要在Windows环境中进行自动化构建和测试的团队，AppVeyor是一个理想的选择。

Appveyor官网：Continuous Integration and Deployment service for Windows, Linux and macOS | AppVeyor

十、BITBUCKET PIPELINES

Bitbucket Pipelines是Bitbucket提供的一套CI/CD服务，支持通过简单的配置文件定义流水线。其主要特点是与Bitbucket仓库的无缝集成，用户可以轻松地在Bitbucket界面中配置CI/CD流水线。Bitbucket Pipelines支持Docker容器，允许用户在隔离的环境中运行构建和测试任务，提高了安全性和一致性。Bitbucket Pipelines还提供了强大的并行执行和缓存功能，可以显著缩短构建时间。对于使用Bitbucket进行版本控制的团队，Bitbucket Pipelines是一个理想的选择。

在选择适合的CI/CD工具时，团队需要根据自身需求、项目规模、技术栈和预算等因素进行综合考虑。无论是GitHub Actions、极狐GitLab CI/CD还是其他工具，每一种都有其独特的优势和适用场景。通过合理配置和使用这些工具，团队可以显著提升开发效率和软件质量。

Bitbucket官网：Bitbucket | Git solution for teams using Jira

相关问答FAQs：

免费CI/CD工具排行榜

Q: 免费CI/CD工具排行榜有哪些？

A:

  1. GitLab CI/CD
    GitLab CI/CD 是GitLab提供的集成CI/CD服务，作为GitLab版本控制平台的一部分，它提供了强大的自动化构建、测试和部署功能。用户可以直接在GitLab的界面上配置和管理CI/CD流水线，利用Runner执行作业。GitLab CI/CD支持广泛的集成和自定义选项，适用于各种规模的项目和团队。

  2. Jenkins
    Jenkins 是一个开源的CI/CD工具，由于其灵活性和强大的插件生态系统而广受欢迎。虽然初始安装和配置需要一些技术能力，但一旦配置完成，Jenkins能够提供高度定制化的CI/CD流程。它支持几乎所有编程语言和构建工具，且插件丰富，可以满足复杂的自动化需求。

  3. Travis CI
    Travis CI 是一个面向开源项目的CI/CD服务，为GitHub仓库提供自动化构建和测试。它易于设置和使用，支持多种编程语言和环境。Travis CI提供基本的免费套餐，适合小型项目和个人开发者使用。对于需要更多资源和功能的企业用户，Travis CI也有付费计划可选。

  4. CircleCI
    CircleCI 是另一个流行的CI/CD服务，专注于提供高速和易用的构建和部署功能。它支持多种语言和环境，允许用户轻松配置复杂的CI/CD流水线。CircleCI提供免费的基本套餐，适合小型团队和个人开发者，同时也有适用于企业的付费计划，提供更多资源和支持。

  5. GitHub Actions
    GitHub Actions 是GitHub提供的内置CI/CD工具，与GitHub仓库深度集成，支持自动化测试、构建和部署。它具有良好的可扩展性和灵活性，允许用户根据需要自定义工作流程。GitHub Actions的免费套餐适用于公共仓库，私有仓库则需要付费使用。

  6. Bitbucket Pipelines
    Bitbucket Pipelines 是Atlassian的CI/CD工具，与Bitbucket版本控制系统紧密集成。它允许用户在Bitbucket中直接定义和运行CI/CD流水线，支持广泛的编程语言和工具。Bitbucket Pipelines提供免费的使用额度，适合小团队和个人开发者使用。

这些免费CI/CD工具各有特色和优劣，选择合适的工具取决于项目的具体需求、团队的技术栈和预算考量。通过比较它们的特性、集成选项和用户体验，可以找到最适合的工具来提升软件开发的效率和质量。

标签
#ci/cd #devops #源代码管理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
【一起学UniGUI】--UniGUI的部署选项(5) uniGUI支持Windows平台下所有主要部署选项。 1.Standalone Server (独立服务器) 最简单的部署方法是独立服务器。在这种模式下，应用程序服务器像桌面应用程序一样直接运行。它也是用于调试应用程序的模式。运行应用程序可执行文件后(它是一个EXE文件)，它将最小化到托盘图标，并运行到用户手动终止为止。见下图: 一个独立的应用程序可以... 阅读详情

相关推荐

PEMFC电化学入门：从电流密度到Tafel公式的实战计算指南

本文详细介绍了PEMFC电化学的基础知识，从电流密度计算到Tafel公式的应用，提供了实战计算指南。通过代码示例和常见问题排查，帮助工程师快速掌握燃料电池性能优化的关键参数，如交换电流密度和活化损失计算，适用于汽车动力和分布式发电等领域。

weixin_29229055的博客 551

7个CICD工具大比拼，谁最牛逼

本文列举了Jenkins、Travis CI、Circle CI、TeamCity、Codeship、Gitlab CI、Bamboo共7个目前市场上最常见的CI/CD工具，做整体的介绍和优劣比对、适用场景分析，希望能给需要的童鞋一些参考。

1万+

CUDA详细安装及环境配置——环境配置指南 – CUDA+cuDNN+PyTorch 安装

本文详细介绍了如何确定显卡支持的CUDA版本、选择对应的cuDNN版本，并逐步安装CUDA、cuDNN和PyTorch。首先，通过命令行输入nvidia-smi.exe查看显卡支持的CUDA版本。接着，根据CUDA版本选择对应的cuDNN版本并下载。然后，从NVIDIA官方网站下载CUDA安装包，按照提示进行安装，并检查是否安装成功。同样地，下载cuDNN安装包，解压后将文件拷贝到CUDA安装目录中，并通过命令行验证安装是否成功。最后，根据PyTorch官网的指引，选择合适的安装命令进行PyTorch的安装

2501_90350274的博客 5098

免费的自动构建CI

https://travis-ci.org/ 转载于:https://www.cnblogs.com/studyNT/p/4492759.html

weixin_30364147的博客 112

【智慧城市】GIS数据获取-获取道路/水路数据

【GIS数据获取】获取道路/水路数据

qq_16599281的博客 4750

CMake安装grpc生成gRPCTargets.cmake文件

以下是安装语句： cd grpc_folder git submodule update --init cmake .. make -j 4 sudo make install 然而编写依赖gRPC的程序，发现无法调用gRPC的CMake文件，错误提示如下所示： include could not find load file: /usr/local/lib/cmake/g...

2329

coding上的免费的编译、打包、推镜像工具(cicd)太强了，必须分享一下

免费的持续集成工具，YYDS

水中加点糖 2725

具身智能：从理论突破到场景落地的全解析

具身智能（Embodied Intelligence）是人工智能与机器人学深度融合的前沿领域，其核心在于通过物理实体与环境的动态交互实现智能行为。区别于传统 AI 的 “离身性”（如语音助手仅依赖数据输入），具身智能强调 “智能体通过身体感知世界并反作用于环境”，形成 “感知 - 决策 - 行动” 的闭环。例如，能自主避障的配送机器人、可精准抓取异形物体的机械臂，均通过传感器网络与环境实时互动，在试错中优化行为策略。

LeeKumaの技术Note 2681

都 2024 年了，你还在用 Jenkins ？赶快看看这些替代方案吧

它支持多种语言，例如C ++，NET，JavaScript，PHP，Ruby和Python。Semaphore是Jenkins替代产品之一，支持GitHub，Kubernetes，iOS，Docker，Kubernetes的整个CI/CD流程，并且预先安装了100多种工具。Drone.io是Jenkins替代产品之一，易于安装，是企业的理想解决方案，但它缺乏某些功能，需要进一步定制开发。Semaphore可以使任何持续交付流水线自动化，支持可自定义的阶段，还可以并行执行，管理三方依赖等。

2401_84049061的博客 6021

【同等学力】2005-数学⭐✨

有r个正方形排成一行，今用红、黄、白、蓝四种颜色给这个r个正方形染色，每个正方形只能染一种颜色，如果要求染红、黄、白色的正方形分别至少出现一个，问有多少种不同的染法?3、(4分)设G是一个有n个结点m条边的连通简单平面图，若n≥3,则m≤3n-6.4、(4分)证明：任何连通简单平面图至少有一个结点的度数不超过5

super_mochi1 306

SAP Clean Core 对传统 ABAP 开发人员来说意味着什么：机遇和挑战

SAP Clean Core是一种战略方法，旨在优化和现代化 SAP S/4HANA 系统，通过尽量减少定制，确保核心系统的稳定性、高效性和对云环境的兼容性。Clean Core 作为一种设计思路，致力于让 ERP 系统的核心功能保持简洁、规范，避免不必要的复杂化，最终维持一个标准化的核心，使系统更容易升级、性能更优越，同时支持快速的创新能力。

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 610

基于码云Gitee + Drone CI搭建轻量级CI/CD自动构建平台（Jenkins替代方案）

基于码云Gitee + Drone CI搭建轻量级CI/CD自动构建平台，可以是Jenkins替代方案，相较于Jenkins更轻量

kramer_1711的博客 5938

智能工厂评估模型研究

摘要：通过对国内外现有智能制造评估模型的研究，结合重庆制造业行业领跑者与落后者之间差距大的现状，以实现全要素全连接的数字化工厂为出发点，融合工业互联网标识，构建实践可行的智能工厂评估模型推动中小型企业参与智能制造转型，缓和两极分化问题。本评估模型包含工厂体系架构的3个层级，提供用于推动智能制造转型的参考，包括设计、生产、管理的全过程评估。关键词：智能制造评估模型；智能制造转型；全连接工厂；工业互联网标识0 引言受行业需求与技术创新的影响，全球制造业在历经了工业1.0机械化、工业2.0电气化和工业3.0自动

罗伯特技术屋 677

CI/CD工具排行榜

CI/CD工具排行榜中，顶尖的工具包括：1.Jenkins   2.GitLab CI/CD   3.CircleCI   4.Travis CI   5.Azure DevOps   6.Bamboo   7.TeamCity   8.GitHub Actions   9.CodeShip  10.Buddy因为其全面的功能、易用性、集成性、开源社区支持而备受推崇。特别是GitLab CI/CD，它不仅提供了从代码管理到部署的全流程解决方案，还可以与极狐GitLab无缝集成，支持多云环境和混合云部署，极大

DevOps_1024的博客 949

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

热门CI/CD工具排行榜前十名是什么

Azure Pipelines 是微软 Azure 平台提供的持续集成和部署服务，支持多种语言和平台，与 Azure DevOps 和 GitHub 紧密集成，提供了跨平台的构建和部署能力。CircleCI 是一个为团队提供持续集成和持续部署服务的SaaS平台，支持多种语言和框架，提供高度可定制化的CI/CD管道配置，适合各种规模的项目和团队使用。Jenkins 是一个开源的CI工具，通过插件的方式支持各种工具和技术的集成，拥有庞大的用户社区和丰富的插件生态系统，是许多团队首选的自动化构建和部署工具。

DevOps_1024的博客 789

VC中sqlite的使用

在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示

企业推荐的CI/CD平台排行榜有哪些

然而，GitLab CI/CD的高级功能和更高的并行处理能力需要额外收费，这对于预算有限的小型团队可能会是一个挑战。该平台支持多种编程语言和框架，并提供了丰富的API和集成选项，允许开发团队灵活配置和定制其CI/CD流程。此外，极狐GitLab还提供了详细的日志和报告功能，帮助开发团队快速识别和解决问题，提高生产力。它支持基于文件的配置，能够实现自动化构建、测试和部署流程，并提供了可视化的流水线编辑器和丰富的报告功能。它支持快速配置和集成，提供了强大的可扩展性和并行化处理能力，适合需要高速和灵活性的团队。

DevOps_1024的博客 1392

假人有限元模型

假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用

免费好用的 CI/CD 工具有哪些？

免费还用的 CI/CD 工具排行榜！

GitLab 中国发行版 1776

云端CI/CD解决方案排行榜有哪些

极狐GitLab的CI/CD功能覆盖了从代码提交到生产部署的整个生命周期，能够自动化构建、测试和部署过程，提高了开发效率和代码质量。GitLab CI的优势在于其与GitLab平台的无缝集成，可以方便地利用GitLab的代码管理和协作功能。这些解决方案通过云服务，提供了灵活、可扩展的自动化工具和环境，支持开发团队实现代码的自动构建、测试和部署。以极狐GitLab为例，它不仅提供了强大的CI/CD功能，还集成了项目管理、代码审查和安全扫描等多项功能，极大地提升了开发团队的工作效率。

DevOps_1024的博客 1299

性价比高的CI/CD平台排行榜

GitHub Actions的深度集成使得用户可以利用GitHub的所有功能，如代码审查、问题跟踪和版本控制等，提供无缝的开发体验。虽然CircleCI的免费版本功能有限，但其付费版本提供了更多的并行构建和更快的构建速度，适合中大型团队使用。其支持多种编程语言和平台，能够满足不同开发团队的需求。Jenkins的开源性质意味着它是免费的，但其高度可定制性和广泛的社区支持也意味着用户可以根据自己的需求进行深度定制和优化。其丰富的插件和扩展功能，允许用户根据需要定制和扩展功能，使其在各类项目中都有广泛的应用。

DevOps_1024的博客 1037

开源CI/CD平台排行榜推荐

其配置文件采用DSL格式，灵活性高，用户可以快速上手。Drone支持多种编程语言和框架，用户可以根据自己的需求选择合适的工具。Jenkins支持数百种插件，涵盖了从构建、测试、到部署的各个阶段，使其能够满足各种复杂的CI/CD需求。CircleCI支持多种编程语言和框架，用户可以根据自己的需求选择合适的工具。极狐GitLab不仅支持多种编程语言和框架，还提供了丰富的插件和集成选项，使其成为开发团队的理想选择。此外，极狐GitLab还具有强大的社区支持和定期更新，确保用户能够获得最新的功能和最佳的使用体验。

DevOps_1024的博客 1183

2024年受欢迎的代码管理工具排行榜

2024年受欢迎的代码管理工具排行榜揭示了几款在开发者中备受青睐的解决方案。1、极狐GitLab，以其强大的功能和开放源码吸引了大量用户。2、GitHub，因其社区和协作工具而广受赞誉。3、Bitbucket，提供了对Mercurial和Git的支持。4、Azure DevOps，集成了多种开发工具。极狐GitLab因其全面的持续集成/持续交付（CI/CD）功能而脱颖而出。

DevOps_1024的博客 1285

实用的CI/CD服务商排行榜推荐

用户可以通过简单的配置文件定义和管理CI/CD流程，自动触发构建、测试、部署等任务。GitHub Actions支持多种编程语言和框架，并且可以与GitHub的其他功能（如Pull Request、Issues等）无缝集成。GitHub Actions的另一个显著特点是其灵活的工作流定义功能。用户可以通过YAML文件定义各种工作流，包括触发条件、任务步骤、依赖关系等。GitHub Actions还支持并行和串行执行任务，可以根据项目需求灵活配置和优化CI/CD流程。

DevOps_1024的博客 1246

市场上最受欢迎的CI/CD解决方案排行榜

Buddy还提供了丰富的集成功能，支持Docker、Kubernetes、AWS、Azure等多种云平台，使得部署过程更加顺畅和高效。GitLab CI/CD支持多种编程语言和框架，用户可以通过简单的.gitlab-ci.yml文件定义构建、测试和部署流程。CircleCI的监控和分析功能帮助用户实时了解构建和部署的状态，从而快速发现和解决问题。极狐GitLab不仅提供了全面的CI/CD解决方案，还集成了代码管理、项目管理、安全扫描等多种功能，极大提升了开发团队的工作效率。

DevOps_1024的博客 1406

最新 DevSecOps 工具排行榜出炉，看看谁在引领安全开发潮流

最新 DevSecOps 工具排行榜已新鲜出炉，极狐 GitLab 凭借突出表现位居前列。它作为 GitLab 中国发行版，支持本地化部署和 SaaS 模式，覆盖软件开发全生命周期，还研发了 AI 编程辅助 CodeRider。此外，悬镜安全、Semgrep 等工具也各有优势，共同推动安全开发潮流，本文将详细解析各工具特点。​

DevOps_1024的博客 1148

花 3 个月测评主流代码管理工具，总结出这份实用排行榜，效率提升 30%

本文是花 3 个月测评主流代码管理工具后的总结，核心问题包括：主流代码管理工具有哪些？各工具优缺点及适用场景是什么？极狐 GitLab 作为 GitLab 中国发行版，有全流程 DevOps 功能，包括源代码托管、CI/CD、敏捷项目管理、安全合规、监控运维等功能。以下测评助你选对工具提升效率。

DevOps_1024的博客 890

2025 API 自动化测试工具排行榜 TOP10｜Postman、Apifox、SoapUI、ApiHug 性能对比

2025年主流API测试工具评测与选型指南 本文系统对比了当前主流API测试工具，基于功能完备性(25%)、易用性(15%)、协作能力(15%)、性能(20%)、生态(10%)和成本(15%)六个维度进行评分。评测结果显示，Apifox(92分)凭借一体化平台优势夺冠，Postman(90分)和SoapUI(85分)分列二三位。新兴工具ApiHug(78分)在API设计开发全生命周期管理方面表现突出，但测试能力需结合其他工具实现。文章提供了详细的性能测试方法和可复现脚本，并对不同规模团队给出选型建议：初创团

程序员超级伴侣-ApiHug 2194
上一篇： 市场上最受欢迎的CI/CD解决方案排行榜
下一篇： 性价比高的CI/CD平台排行榜
点赞 30
评论 0
书签 书签 9
AI工具指南
AI工具指南
博客等级 码龄2年 2175粉丝 290原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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