软件版本的命名规则

最近在完善实验室项目的软件设计,涉及功能的完善和 Bug 的修复,为了方便管理,更新软件版本号是不错的方法,故总结了下软件版本的命名规范。

软件版本号一般由四部分组成,格式如:主版本号.子版本号.修订版本号.日期版本号+希腊字母版本号

举个例子:1.2.3.20230128_beta

说明:

  • 第一位(1): 主版本号。当功能模块有较大的变动,API 的兼容性发生变化时,比如增加多个模块或者整体架构发生变化。此版本号由项目决定是否修改,且只能递增。

  • 第二位(2): 子版本号。当功能有一定的增加或变化,但是不影响 API 的兼容性,比如增加了对权限控制、增加自定义视图等功能。此版本号由项目决定是否修改,且只能递增。

  • 第三位(3): 修订版本号。一般是 Bug 修复或是一些小的变动,不影响 API 的兼容性,要经常发布修订版,时间间隔不限,修复一个严重的 Bug 即可发布一个修订版。此版本号由项目经理决定是否修改,且只能递增。

  • 日期版本号(20230128): 用于记录修改项目的当前日期,每天对项目的修改都需要更改日期版本号。此版本号由开发人员决定是否修改。

  • 希腊字母版本号(beta): 也叫里程碑版本号,此版本号用于标注当前版本的软件处于哪个开发阶段,当软件进入到另一个阶段时需要修改此版本号。此版本号由项目决定是否修改。

希腊字母版本号共有5种,分别为:Base、Alpha、Beta、RC、Release。

  • Base 版: 此版本表示该软件仅仅是一个基础框架,通常包括主要功能和结构,但是都没有做完整的实现,只是作为程序设计的一个基础架构。

  • Alpha 版: 此版本表示该软件在此阶段主要是以实现软件功能为主,通常只在软件开发者内部交流,一般不向外部发布,是内部测试版,该版本软件的 Bug 较多,需要继续修改。

  • Beta 版: 该版本相对于 Alpha 版已有了很大的改进,消除了严重的错误,但还是存在着一些缺陷,是公开测试版,需要经过多次测试来进一步消除,这个阶段的版本会一直加入新的功能。

  • RC 版: (Release Candidate)最终测试版本,该版本已经相当成熟了,基本上不存在导致错误的 BUG,与即将发行的正式版相差无几。

  • Release 版: 该版本意味“最终版本”,在前面版本的一系列测试版之后,终归会有一个正式版本,是最终交付用户使用的一个版本。该版本有时也称为标准版。一般情况下,Release 不会以单词形式出现在软件封面上,取而代之的是符号(R)。

版本号的详细规则如下:

  • 主版本号,子版本号,修订版本号必须为非负整数,且不得包含前导零,必须按数值递增,如 1.9.0 -> 1.10.0 -> 1.11.0

  • 主版本号为 0 表明软件处于初始开发阶段,意味着 API 可能不稳定;1.0.0 表明版本已有稳定的 API。

  • 当 API 的兼容性变化时,主版本号必须递增,子版本号和修订版本号同时设置为 0;当新增功能(不影响 API 的兼容性)或者 API 被标记为 Deprecated 时,子版本号必须递增,同时修订版本号设置为 0;当进行 Bug 修复时,修订版本号必须递增。

  • 先行版本号(Pre-release)意味该版本不稳定,可能存在兼容性问题,其格式为: 主版本号.子版本号.修订版本号.[a-c][正整数],如 1.0.0.a1,1.0.0.b99,1.0.0.c1000。

  • 开发版本号常用于 CI-CD,格式为: 主版本号.子版本号.修订版本号.dev[正整数],如 1.0.1.dev4。

  • 版本号的排序规则为依次比较主版本号、次版本号和修订号的数值,如 1.0.0 < 1.0.1 < 1.1.1 < 2.0.0;对于先行版本号和开发版本号,有:1.0.0.a100 < 1.0.0,2.1.0.dev3 < 2.1.0;当存在字母时,以 ASCII 的排序来比较,如 1.0.0.a1 < 1.0.0.b1。

注意:版本一经发布,不得修改其内容,任何修改必须在新版本发布!

更多内容

### 使用PINN(物理信息神经网络)解决偏微分方程的实例 #### 背景介绍 物理信息神经网络(Physics-Informed Neural Networks, PINNs)是一种结合深度学习与物理学知识的方法,能够高效求解复杂的偏微分方程(Partial Differential Equations, PDEs)。这种方法的核心在于将已知的物理规律作为约束条件嵌入到神经网络训练过程中,从而提高模型预测能力并减少对大量数据的需求。 以下是几个典型的PINN用于求解PDE的具体案例及其代码实现: --- #### 案例1:一维热传导方程 在一维空间中,热传导过程可以用如下形式表示: \[ u_t = \alpha u_{xx}, \quad x \in [a,b], t > 0, \] 其中 \(u(x,t)\) 表示温度分布,\(t\) 是时间变量,\(x\) 是位置坐标,而 \(\alpha\) 则代表材料的导热系数。边界条件可以设定为固定端点处的温度值或者绝热状态下的梯度零假设。 ##### 实现步骤 下面展示了一段基于PyTorch框架的一维热传导方程解决方案[^2]: ```python import torch import numpy as np # 定义神经网络结构 class Net(torch.nn.Module): def __init__(self, layers): super(Net, self).__init__() self.linears = torch.nn.ModuleList([torch.nn.Linear(layers[i], layers[i+1]) for i in range(len(layers)-1)]) def forward(self, x): a = x for i, l in enumerate(self.linears[:-1]): a = torch.tanh(l(a)) a = self.linears[-1](a) return a # 初始化参数 layers = [2, 20, 20, 1] # 输入维度 (x,t),隐藏层节点数,输出维度(u) model = Net(layers) def compute_loss(model, x_data, t_data, alpha=0.1): """定义损失函数""" xt = torch.cat((x_data.unsqueeze(-1), t_data.unsqueeze(-1)), dim=-1).requires_grad_(True) u_pred = model(xt) grad_u = torch.autograd.grad( outputs=u_pred.sum(), inputs=xt, create_graph=True)[0] u_x = grad_u[:, 0].view(-1, 1) u_t = grad_u[:, 1].view(-1, 1) hessian_xx = torch.autograd.grad(outputs=u_x, inputs=xt, retain_graph=True, create_graph=True)[0][:, 0].view(-1, 1) pde_residual = u_t - alpha * hessian_xx mse_pde = torch.mean(pde_residual ** 2) return mse_pde # 训练循环省略... ``` 上述代码片段展示了如何构建一个简单的全连接前馈神经网络,并通过自动微分技术计算目标函数相对于输入的空间二阶导数以及时间一阶导数,进而形成残差项以优化整个系统性能。 --- #### 案例2:Burgers' 方程 另一个经典例子是非线性的 Burgers’ 方程,在流体力学领域具有重要意义: \[ u_t + uu_x = \nu u_{xx}, \] 这里引入了粘滞效应因子 \(\nu>0\) 来描述扩散现象的影响程度。该类问题同样可以通过调整相应超参设置来适配不同场景需求[^1]。 --- #### 已验证的有效性分析 研究表明,相比于传统数值方法如有限元法或谱方法等,采用PINN不仅可以获得更高的精度而且还能显著降低运算成本特别是当面对高维情形时优势更加明显。 ---
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

打赏作者

Hello阿尔法

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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