jenkins 构建单个_使用单个HTML元素构建图标

jenkins 构建单个

随着超高清屏幕的出现(认为视网膜),新的设计挑战出现了。 我们需要找到适应所有设备的方法。 以显示图标为例。 我们可以依靠200%的图像或使用SVG来提供图像,但仅凭CSS即可构建数量惊人的图形。 让我们用一个HTML元素构建一个精美的图标。


开始之前需要了解的有用资料

单个元素的主要问题在于以下事实:我们仅限于可以使用的“构建块”的数量。 幸运的是,有一些技巧:

伪元素

伪元素(也称为生成的内容 )在文档标记本身( DOM )中不存在,但由CSS创建。 它们为您提供了将另外两个可以(或多或少)使用相同属性的元素添加到默认元素的可能性。

例如,使用以下标记:

<div class="square"></div>

然后应用以下样式规则:

.square {
	position: relative;
	background: blue;
	width: 50px;
	height: 50px;
}
.square::before {
	position: absolute;
	left: -50px;	
	content: '';
	height: 50px;
	width: 50px;
	display: block;
	background: green;
}
.square::after {
	position: absolute;
	left: 50px;
	content: '';
	height: 50px;
	width: 50px;
	display: block;
	background: red;	
}

在本练习中,我们将使用像素值,尽管通常建议使用灵活的度量单位,例如ems。

注意:与单个冒号相反,双冒号( :: :)是CSS3语法。 它将伪元素与伪选择器区分开,例如:hover 。

我们给了自己更多的两个构建基块,但是值得注意的是,某些CSS3属性不适用于生成的内容:

  • 转场
  • 动画制作

要知道的另一件事是,生成的内容将显示在默认元素的顶部,除非它们具有z-index:-1 。 浏览器将其解释为当它们存在于默认的元素中 。 如果我们用实际的标记来表示伪元素,则代码如下:

<div class="square">
	<div class="before"></div>
	<div class="after"></div>
</div>
.square {
	background: blue;
	width: 50px;
	height: 50px;
	position: relative;
}
.square .before {
	left: -50px;
	position: absolute;
	content: '';
	height: 50px;
	width: 50px;
	display: block;
	background: green;
}
.square .after {
	content: '';
	height: 50px;
	width: 50px;
	background: red;
	position: absolute;
	left: 50px;
}

盒子阴影

如果仅伪元素不能为您提供足够的“块”来构建图标,则还可以使用框阴影。 此技术将使您可以创建所需数量的“克隆”。 让我们看一个带有圆圈的例子:

<div class="circle"></div>
.circle {
	position: relative;
	background: blue;
	width: 50px;
	height: 50px;
	border-radius:50%;
	box-shadow: -110px 0 0 -20px purple,
				-60px 0 0 -10px red,
				80px 0 0 10px green,
				180px 0 0 20px orange;
}

如您所见,方框阴影使您可以减小或增大初始形状的大小,并将其放置在所需的位置。

属性详细信息box-shadow: 80px 5px 1px 10px green可以按以下方式分解:

  • 80px-> offset-x这使您可以沿x轴放置阴影,并以原始形状的中心为原点
  • 5px-> offset-y这允许您沿y轴放置阴影,以原始形状的中心为原点
  • 1px-> blur-radius此值越大,模糊越大,因此阴影变大和变亮
  • 10px-> spread-radius正值将导致阴影扩大并变大,负值将导致阴影缩小
  • 绿色->颜色您的形状的颜色:)

注意:定义的第一个阴影将始终出现在后续阴影之上。

插入值还允许各种可能性:

<div class="ball"></div>
.ball {
	position: relative;
	background: blue;
	width: 50px;
	height: 50px;
	border-radius: 50%;
	box-shadow: inset 20px 0 0 -10px yellow,inset -20px 0 0 -10px red;
}

渐变色

对于那些对Internet Explorer感兴趣的人来说,值得注意的是CSS渐变仅与IE10兼容 。 对于其他浏览器,请记住适当的供应商前缀。

像阴影一样,渐变可以组合并独立放置。 使用渐变创建形状比以前的属性要复杂一些,因此让我们关注一个“简单”的示例。

在此示例中,我们将使用径向渐变创建四个不同的圆,并将它们分布在父元素内。

<div class="background"></div>
.background {
	background: radial-gradient(center, ellipse, rgba(0, 0, 0, 1) 10%,transparent 10%,transparent 100%),
				radial-gradient(center, ellipse, rgba(0, 0, 0, 1) 30%,transparent 32%,transparent 100%),
				radial-gradient(center, ellipse, rgba(0, 0, 0, 1) 50%,transparent 52%,transparent 100%),
				radial-gradient(center, ellipse, rgba(0, 0, 0, 1) 60%,transparent 62%,transparent 100%);
	background-color: red;
	background-repeat: no-repeat;
	background-position: 0px 0px, 50px 0px, 50px 50px, 0px 50px;
	background-size: 50px 50px;
	width: 100px;
	height: 100px;
	position: relative;
}

要理解此演示,您必须想象元素上的网格。 网格的每个像元将具有不同的梯度。 在这种情况下,单元格为50px x 50px( background-size: 50px 50px; )。我故意将它们散布在元素中,但请注意,它们也可以叠加。 每个单元格可以放置在单独的x和y轴上,其原点位于基础元素的左上角( background-position: 0px 0px, 50px 0px, 50px 50px, 0px 50px; )。

详细的Gradient属性: background: radial-gradient(center, ellipse cover, rgba(0, 0, 0, 1)

  • 中心->位置 :也可以表示为背景位置(中心= 50%50%)。
  • 椭圆->形状 :可以是圆形或椭圆形,在此示例中两者都做相同的事情...
  • rgba(0,0,0,1)10%->颜色和限制 :增加限制值以扩大圆。
  • 透明10%->颜色和限制 :此限制值定义了先前颜色的结尾。 指定一个略高于上一个限制的限制,以使边缘更平滑。
  • 透明100%->颜色和限制 :渐变从10到100%将是透明的。

为了帮助创建CSS渐变,可以使用Collorzilla的Gradient Editor之类的生成器 。

现在,我们已经了解了如何从单个div创建最多的构建基块,让我们练习吧!

这是我们将仅使用一个div(最后是奖金!)创建的内容:


步骤1:身体

这是本教程的一个HTML行:

<div class="ladybug"></div>

为了使我们的图标易于调整大小,我们将使用灵活的度量单位。 em和%。 因此,您只需更改元素的字体大小,就可以根据需要调整大小。 我是在Chrome中开发的,我将让您根据您的浏览器更改供应商前缀 。

我们将从为瓢虫的身体赋予形状和颜色开始:

.ladybug {
	position: relative;
	font-size: 60px;
	width: 1.8em;
	height: 2em;
	border-radius: 50%;
	background-color: #E11;
}

现在,让我们使用“径向渐变”属性将这些点应用到身体上。

.ladybug {
	position: relative;
	font-size: 60px;
	width: 1.8em;
	height: 2em;
	border-radius: 50%;
	background: -webkit-radial-gradient(center, ellipse, rgba(0, 0, 0, 1) 30%,transparent 33%,transparent 100%),-webkit-radial-gradient(center, ellipse, rgba(0, 0, 0, 1) 50%,transparent 55%,transparent 100%),-webkit-radial-gradient(center, ellipse, rgba(0, 0, 0, 1) 50%,transparent 55%,transparent 100%),-webkit-radial-gradient(center, ellipse, rgba(0, 0, 0, 1) 40%,transparent 43%,transparent 100%),-webkit-radial-gradient(center, ellipse, rgba(0, 0, 0, 1) 40%,transparent 43%,transparent 100%),-webkit-radial-gradient(center, ellipse, rgba(0, 0, 0, 1) 45%,transparent 50%,transparent 100%),-webkit-radial-gradient(center, ellipse, rgba(0, 0, 0, 1) 45%,transparent 50%,transparent 100%);
	background-color: #E11;
	background-repeat: no-repeat;
	background-position: 0.66em 0.2em,0.3em 0.6em,1em 0.6em,0.9em 1.1em,0.4em 1.1em,1.1em 1.5em,0.2em 1.5em;
	background-size: 0.5em 0.5em;
}

出色的工作-目前,我们已经完成了对人体的研究。


步骤2:头部

这部分是最快的。 我们将绘制一个半圆的黑色并将其放置在身体顶部。 为此,我们将使用伪元素::before 。

.ladybug::before {
	content: '';
	position: absolute;
	display: block;
	height: 0.5em;
	width: 1.2em;
	top: -0.24em;
	background: black;
	left: 0.3em;
	border-radius: 50% 50% 0% 0% / 100% 100% 0 0;
}

步骤3:眼睛

在这里,我们将使用伪元素::after和box shadow属性创建眼睛。 我们首先创建基本圆(瞳Kong),然后将其“克隆”以创建眼睛的白色,轮廓和另一只眼睛。

.ladybug::after {
	content: '';
	position: absolute;
	display: block;
	height: 0.1em;
	width: 0.1em;
	background: black;
	top: -0.1em;
	left: 0.5em;
	border-radius: 50%;
	box-shadow: 0 0 0 0.1em white,0em 0 0 0.13em black,0.7em 0 0 0 black,0.7em 0 0 0.1em white,0.7em 0 0 0.13em black;
}

步骤4:腿

您必须在思考“我们还有一个剩余要素”。 不用担心,我们将重复使用与眼睛相同的阴影。

.ladybug::after {
	content: '';
	position: absolute;
	display: block;
	height: 0.1em;
	width: 0.1em;
	background: black;
	top: -0.1em;
	left: 0.5em;
	border-radius: 50%;
	box-shadow: 0 0 0 0.1em white,0em 0 0 0.13em black,0.7em 0 0 0 black,0.7em 0 0 0.1em white,0.7em 0 0 0.13em black,1.2em 0.5em 0 0.02em black,1.35em 1.1em 0 0.02em black,1.2em 1.65em 0 0.02em black,-0.5em 0.5em 0 0.02em black,-0.65em 1.1em 0 0.02em black,-0.5em 1.65em 0 0.02em black;
}

我们的瓢虫图标终于完成了!


步骤5:红利!

我们实际上还没有完成。 我答应过你,这就是奖金。 动画是CSS相对于SVG的优势之一; 让我们为鼠标悬停时的瓢虫动画。 这是额外CSS代码:

@-webkit-keyframes ladybug
	{
	0%   {
		background-position: 0.66em 0.2em,0.3em 0.6em,1em 0.6em,0.9em 1.1em,0.4em 1.1em,1.1em 1.5em,0.2em 1.5em;
	}

	50% {
		background-position: 0.66em 0.8em,0.66em 0.8em,0.66em 0.8em,0.66em 0.8em,0.66em 0.8em,0.66em 0.8em,0.66em 0.8em;
	}

	100%   {
		background-position: 0.66em 0.2em,0.3em 0.6em,1em 0.6em,0.9em 1.1em,0.4em 1.1em,1.1em 1.5em,0.2em 1.5em;
	}
	}

.ladybug:hover {
	-webkit-animation: ladybug 1s;
}

我们首先定义一些关键帧,我们将其命名为ladybug 。 然后,我们将这些关键帧触发到图标的悬停状态。 每个关键帧都会更改瓢虫斑点的背景位置

最后,下面是完整CSS代码:

.ladybug {
position: relative;
font-size: 60px;
width: 1.8em;
height: 2em;
border-radius: 50%;
background: -webkit-radial-gradient(center, ellipse, rgba(0, 0, 0, 1) 30%,transparent 33%,transparent 100%),-webkit-radial-gradient(center, ellipse, rgba(0, 0, 0, 1) 50%,transparent 55%,transparent 100%),-webkit-radial-gradient(center, ellipse, rgba(0, 0, 0, 1) 50%,transparent 55%,transparent 100%),-webkit-radial-gradient(center, ellipse, rgba(0, 0, 0, 1) 40%,transparent 43%,transparent 100%),-webkit-radial-gradient(center, ellipse, rgba(0, 0, 0, 1) 40%,transparent 43%,transparent 100%),-webkit-radial-gradient(center, ellipse, rgba(0, 0, 0, 1) 45%,transparent 50%,transparent 100%),-webkit-radial-gradient(center, ellipse, rgba(0, 0, 0, 1) 45%,transparent 50%,transparent 100%);
background-color: #E11;
background-repeat: no-repeat;
background-position: 0.66em 0.2em,0.3em 0.6em,1em 0.6em,0.9em 1.1em,0.4em 1.1em,1.1em 1.5em,0.2em 1.5em;
background-size: 0.5em 0.5em;
}

.ladybug:before {
content: '';
position: absolute;
display: block;
height: 0.5em;
width: 1.2em;
top: -0.24em;
background: black;
left: 0.3em;
border-radius: 50% 50% 0% 0% / 100% 100% 0 0;
}

.ladybug::after {
content: '';
position: absolute;
display: block;
height: 0.1em;
width: 0.1em;
background: black;
top: -0.1em;
left: 0.5em;
border-radius: 50%;
box-shadow: 0 0 0 0.1em white,0em 0 0 0.13em black,0.7em 0 0 0 black,0.7em 0 0 0.1em white,0.7em 0 0 0.13em black,1.2em 0.5em 0 0.02em black,1.35em 1.1em 0 0.02em black,1.2em 1.65em 0 0.02em black,-0.5em 0.5em 0 0.02em black,-0.65em 1.1em 0 0.02em black,-0.5em 1.65em 0 0.02em black;
}

@-webkit-keyframes ladybug
{
0%   {
	background-position: 0.66em 0.2em,0.3em 0.6em,1em 0.6em,0.9em 1.1em,0.4em 1.1em,1.1em 1.5em,0.2em 1.5em;
}

50% {
	background-position: 0.66em 0.8em,0.66em 0.8em,0.66em 0.8em,0.66em 0.8em,0.66em 0.8em,0.66em 0.8em,0.66em 0.8em;
}

100%   {
	background-position: 0.66em 0.2em,0.3em 0.6em,1em 0.6em,0.9em 1.1em,0.4em 1.1em,1.1em 1.5em,0.2em 1.5em;
}
}
.ladybug:hover {
	-webkit-animation: ladybug 1s;
}

结论

我希望通过本教程向您展示CSS的潜力,以及单个HTML元素可能带来的效果。 考虑使用浏览器支持本教程中讨论CSS属性总是明智的,请确保它们正常降级。

如果您想查看使用单个元素创建的其他图标,我邀请您访问我的网站one-div.com 。 谢谢阅读!

翻译自: https://webdesign.tutsplus.com/articles/building-icons-with-a-single-html-element--webdesign-10012

jenkins 构建单个

Jenkins Ioncions API 插件:现代化图标库在持续集成中的应用 区分不同类型的构建步骤(编译、测试、部署等)表示步骤的成功/失败状态提供直观的操作按钮(重试、跳过、详情等) 阅读详情

相关推荐

Jenkins基础教程(65)Jenkins构建后报告测试结果:Jenkins测试报告揭秘:让你的构建结果会“说话”

当你辛辛苦苦写完代码,提交到Jenkins构建,最紧张的时刻莫过于查看测试结果——那一堆红绿绿的标记和数字,直接决定了你接下来是开心地摸鱼还是悲催地调试。 Jenkins作为最流行的持续集成工具,不仅能自动运行测试,还能将测试结果以各种直观的方式展示出来。但你知道怎么充分利用Jenkins的测试报告功能,让它真正为你所用吗?

jxf_jxfcsdn的博客 529

根据jenkins节点信息使用html绘制表格(二)

自动生成html表格,方便管理jenkins节点

Sudley的博客 1166

Jenkins自动化测试报告配置指南:JUnit、Allure与HTML报告实战

在软件工程实践中,持续集成与持续交付(CI/CD)是提升开发效率与软件质量的核心实践。其原理在于通过自动化流程,对每次代码变更进行快速构建、测试与反馈。自动化测试报告在这一流程中扮演着关键角色,它作为质量反馈的“眼睛”,将原始的测试执行数据转化为直观、可分析的可视化信息,其技术价值在于显著缩短问题定位时间,提升团队协作效率。典型的应用场景包括监控每次构建的测试通过率、追踪失败用例的详细堆栈信息与日志,以及分析测试覆盖的历史趋势。本文聚焦于在主流CI工具Jenkins中,如何针对不同的测试框架和需求,配置并集

weixin_33767813的博客 580

Jenkins入门之任务基本操作

首先先简单讲一下Jenkins构建任务各种图标的含义 我的主界面有以下构建任务,这里前两列都是图标,第一列为构建的状态,前面已经讲过蓝色代表成功,红色代表失败.当然那是针对一次构建,一个构建任务可能有多次构建,这里的蓝色并不能完全代表任务就是构建成功的,还要结合后面的天气图标来决定,此外,我们看到这里还多出一种没有见到过的状态指示球:灰色球,这里灰色球代表该任务处处于禁用状态或者常未执行过...

weixin_30826095的博客 414

Jenkins自动执行Python脚本,并输出测试报告

这段时间,在家时间自由(除了睡觉8小时,其他时间都在工作和学习),有大把的时间实操练习一些硬技能; 今天,更新一篇利用Jenkins这套框架,调用Python自动化脚本,并输出测试报告的手把手实操文章; 步骤非常详细,且整篇文章非常完整;有每一步的操作截图,每位同学都可以跟着实操(建议多操作几遍); -- IDO老徐 2020.02.07 一、前言 在用pyt...

IDO老徐软件测试窝 2174

Jenkins与GitLab实现前后端项目自动化构建部署实战指南

持续集成与持续部署(CI/CD)是现代软件开发的核心实践,其核心原理是通过自动化工具链将代码变更快速、可靠地集成到主干并交付至生产环境。这项技术的核心价值在于将软件交付从手工操作转变为标准化、可重复的工业化流水线,显著提升交付效率、降低人为错误风险。在典型的应用场景中,开发团队通过配置自动化构建、测试、打包和部署流程,实现从代码提交到服务上线的全链路自动化。本文聚焦于使用Jenkins和GitLab搭建前后端分离项目的CI/CD流水线,详细阐述了如何通过Jenkinsfile定义构建阶段、利用Docker进

weixin_33796177的博客 409

通过Js来修改页面元素

介绍   参考 这里有另外一篇文章,介绍如何通过Js来设置页面样式。查看原文:http://surenpi.com/2015/10/30/%e9%80%9a%e8%bf%87js%e6%9d%a5%e4%bf%ae%e6%94%b9%e9%a1%b5%e9%9d%a2%e5%85%83%e7%b4%a0/

Jenkins中文社区 462

Postman+Newman+Jenkins+Allure构建CI/CD自动化接口测试流水线实战

接口测试是保障软件质量的关键环节,其核心在于验证不同系统组件间数据交换的正确性与可靠性。随着敏捷开发和DevOps的普及,传统手动测试已无法满足快速迭代的需求,自动化测试成为必然选择。通过将测试用例脚本化并集成到持续集成/持续交付(CI/CD)流程中,可以实现每次代码提交后的自动验证,从而快速反馈、降低风险、提升交付效率。本文聚焦于如何利用Postman这一广泛使用的API测试工具,结合其命令行运行工具Newman、自动化服务器Jenkins以及测试报告框架Allure,构建一套完整的、无人值守的接口自动化

weixin_34038293的博客 731

Jenkins图标解释

jenkins各图标解释

yangbin1265712的专栏 234

Docker网络冲突?手把手教你解决Dify社区版无法访问172.18.0.0网段的问题

本文详细解析了在部署Dify社区版时,因Docker默认网段与局域网冲突导致无法访问172.18.0.0网段的问题。通过剖析Docker网络原理,提供了修改Docker守护进程默认地址池的根治方案,并介绍了在Compose文件中指定自定义网络等备选方法,帮助用户彻底解决网络冲突,保障服务稳定运行。

p8q9r0的博客 486

手把手教你用Simulink搭建PMSM FOC控制模型(附完整仿真文件下载)

本文手把手教你使用Simulink搭建完整的永磁同步电机(PMSM)磁场定向控制(FOC)仿真模型。内容涵盖从电机与逆变器建模、核心的坐标变换(Clark/Park变换)实现、电流环与速度环PID整定,到SVPWM调制与系统集成调试的全过程,并提供关键参数设置与实用调试技巧,帮助工程师快速掌握FOC的工程实现。

silver的专栏 865

Jenkins构建后展示HTML测试报告

在构建测试自动化脚本结束后控制台默认只输出用例执行结果,以接口测试自动化为例若脚本放在Linux系统下执行,当执行完毕后要想直接查看测试报告是不方便的,所以想直观的看到构建完成后的报告可以在Jenkins展示 安装HTML Publisher plugin插件 安装方法1: 进入系统管理--管理插件--可选插件,搜索到此插件并安装: 安装方法2: 导入离线包,进入系统管理...

SitVen 3346

关于使用CMT2300A FIFO缓存区间设置为64Byte的问题

帮助你解决在使用CMT2300A 时遇到的各种问题,若有需要,请及时与我交流

teleger的博客 1432

Jenkins自动化构建项目

一、创建项目并配置 登录到Jenkins主页后,可以用view标签上的“+”号新建分类标签,在对应view里建立新的Project,或者点击左上角的“New Item”建立,如下图所示: 这里以Spark项目的构建配置为例,建立一个Freestyle project,如下图所示: 在对应view标签下建立的Project,可以下方打勾加入到对应view中,接着就会进入项目配置界面,如下图所示: (1)首先是General部分,可以填该项目的描述、保留多长时间和几个的历史编译目录,与bui

书忆江南的IT博客 3164

离散数学期末复习笔记【精华版】

文章目录前言一、????理逻辑1. 命题逻辑2. 等值演算3. 主合取范式、主析取范式4. 【题】推理证明5. 辖域、自由变元、约束变元二、????合1. 环和、环积,幂集,笛卡尔乘积三、 ????????关系1. 自反、对称、传递2&3. 合成运算,逆关系、闭包4. 哈斯图、上下界、偏序5. 等价关系、划分四、????1. 幺元(么元、单位元)、零元、逆元,半群、群、阿尔贝群、独异点、循环独异点2. 【题】由表判断3. 【题】证明五、????论1. 简单图、平凡图、多重图、子图、补图、出度、入度、

林大夕可的博客 17万+

(10)Proteus 8.9上的STM32仿真系列(HAL)---freertos

实验设计:通过cubemxide生成freertos工程,然后创建一个 pc13 led灯间隔200ms闪烁的任务。非常遗憾的是proteus8.9仿真失败,实物上没有问题,但还是把流程过一遍。 一、原理图 实物是淘宝上stm32f103 c8t6的核心板,proteus上没有这个芯片,这里图上大概表示一下,用的是核心板自带的pc13引脚的led灯。 二、cubemxide配置 1.RCC如之前工程一样配置 2、配置SYS timebase Source不要使用systick,自己选择一个定时器,我这

qq_35442550的博客 7346

【Jenkins】显示 HTML 标签

【代码】【Jenkins】显示 HTML 标签。

flyincyclone的博客 617

YOLO环境配置+项目启动全流程(Conda+PyCharm超详解)

YOLO(You Only Look Once)是一个基于深度学习的目标检测算法,广泛应用于智能识别领域。本篇保姆级教学将手把手教你如何从零开始运行一个YOLO项目,适合完全没有基础的新手。

一键难忘的博客 1542

jenkins显示指定html,Jenkins-HTML Publisher插件-在Jenkins中查看报告时不显示CSS

Jenkins-HTML Publisher插件-在Jenkins中查看报告时不显示CSS我对Jenkins HTML Publisher插件有一个奇怪的问题,其中在Jenkins中查看时,删除了我添加到报告中的所有精美CSS。 如果我将报告下载到本地,则可以看到CSS格式。 Jenkins中是否有一个允许查看CSS的设置?我在Jenkins中的HTML发布者设置:在詹金斯中显示我的报告页面:当我...

weixin_42130786的博客 488

【科研建模】Pycaret自动机器学习框架使用流程及多分类项目实战案例详解

对pycaret的使用流程进行梳理,并详细介绍了基于多分类预测的案例

lys_828的博客 782

Microsemi Libero使用技巧1——查看芯片资源占用情况

Microsemi Libero使用技巧——查看芯片资源占用情况 前言 与MCU不同,FPGA的资源主要包括:逻辑资源,IO资源,Flash大小,PLL资源,SoC硬核处理器资源等,其中逻辑资源和IO资源是我们主要关心的,本篇文章将介绍,如何通过Microsemi Libero IDE来查看工程的详细资源占用情况。 A2F200M3F的资源 以Microsemi SmartFusion系列A2F2...

whik1194的博客 5700

Jenkins中使用API token 连接GitLab的配置

概述 在Jenkins中从GitLab上拉取代码进行打包或测试。 安装 Jenkins和GitLab默认已经安装好,安装过程此处不再赘述。 Jenkins下载地址:https://www.jenkins.io/zh/download/ 下载完成解压后直接安装: 在登录地址:http://localhost:8080/ 选择默认安装部分插件并设置账号/密码 在Jenkins上安装Git和...

xkj_rxq的博客 1万+

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

别再只收日志了!手把手教你定制Jenkins构建通知邮件:美化HTML模板与附件发送实战

本文详细介绍了如何定制Jenkins构建通知邮件,包括美化HTML模板和发送附件的实战技巧。通过优化邮件内容结构和添加关键信息模块,如构建概览、测试结果和制品信息,帮助团队快速定位问题并提升协作效率。文章还提供了附件发送的完整解决方案和企业级部署最佳实践,适用于DevOps团队和技术管理者。

weixin_33709590的博客 651

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Allure安装、使用、Jenkins集成

allure 是一款开源的,专门用来展示测试结果的测试报告工具,报告内容精致美观且专业。Java 语言,可以与 junit4、junit5、TestNG 测试框架集成;Python 语言,可以与pytest、behave、nose 测试框架集成;allure会将测试用例的执行数据保存到json文件当中,再利用 allure 的命令行将文件转换成 HTML 形式呈现出来。

hlsxjh的博客 2987

jenkins配置html 测试报告后不显示

jenkins配置html 测试报告后不显示的问题 内容提要,本文测试报告不显示的原因是, 1.代码本身没有和测试报告相关的部分,只是普通的自动化登录程序。 2.测试报告输出的文件夹不存在。 Specified HTML directory "report" does not exist 3.测试报告输出的文件地址不正确。 Directory 'C:\ProgramData\Jenkins\.jenkins\workspace\qqq\report' exists but failed

qq_43533178的博客 3572
上一篇: postcss解决兼容_使用PostCSS进行跨浏览器兼容性
下一篇: less和bem_将PostCSS与BEM和SUIT方法一起使用
daique1908
博客等级 码龄10年 29粉丝 0原创
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  | 博主筛选后可见
 
 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