与testlink jenkins和Jmeter的集成问题(integration issue with testlink jenkins and Jmeter)
我在Jenkins上安装了JMeter。 我正在用它运行一些性能测试。 在Jenkins上，我已经设置了TestLink插件。 在JMeter上，我有“查看结果树”树设置，并将结果导出到xml文件。 结果采用以下格式：
<testResults version="1.2"> <httpSample t="81" lt="81" ts="1463588977147" s="true" lb="Unit_EdgeSpanTest_transmission-submit_Case1" rc="200" rm="OK" tn="CinemaCMSAPITest 1-1" dt="text" by="382"> <assertionResult> <name>Response Assertion-ResponseCode</name> <failure>false</failure> <error>false</error> </assertionResult> <assertionResult> <name>Response Assertion-TextResponse</name> <failure>false</failure> <error>false</error> </assertionResult> </httpSample>现在我有问题将JMeter结果报告返回testLink。 谷歌搜索，没有太多的资源告诉我该怎么做。 我只能从Jenkins找到一个资源： https ： //wiki.jenkins-ci.org/display/JENKINS/Integrating+TestLink++Jenkins++JMeter
但它没有多大帮助。 我没有使用Ant ......
有没有人成功地完成了这项工作？ 并且可以给我一些提示做什么？
非常感谢你提前！
I have JMeter setup on Jenkins. I am running some performance test with it. On Jenkins, I have setup the TestLink plugin. On JMeter, I have 'View Results Tree' tree setup, and export the results to a xml file. With the results with the following format:
<testResults version="1.2"> <httpSample t="81" lt="81" ts="1463588977147" s="true" lb="Unit_EdgeSpanTest_transmission-submit_Case1" rc="200" rm="OK" tn="CinemaCMSAPITest 1-1" dt="text" by="382"> <assertionResult> <name>Response Assertion-ResponseCode</name> <failure>false</failure> <error>false</error> </assertionResult> <assertionResult> <name>Response Assertion-TextResponse</name> <failure>false</failure> <error>false</error> </assertionResult> </httpSample>Now I have problem get JMeter results report back to testLink. Googled, not much resource out there tell me what to do. I could only find one resource from Jenkins:https://wiki.jenkins-ci.org/display/JENKINS/Integrating+TestLink++Jenkins++JMeter
But it did not help much. I am not using Ant...
Does anyone has successfully made this work? And could give me some hint of what to do?
Thank you very much in advance!
原文：https://stackoverflow.com/questions/37308866
最满意答案
是的，它有可能制造具有复杂或任意可能性的东西。 虽然这看起来不像你在这里做的。 看起来您将一个变量复杂转换为另一个变量，即集成步骤。
您的特殊例外是integrate.quad需要一个numpy数组，而不是pymc
Variable。 如果你想在pymc中做四边形，你必须为它制作一个自定义theanoOp（带衍生物）。Yes, its possible to make something with a complex or arbitrary likelihood. Though that doesn't seem like what you're doing here. It looks like you have a complex transformation of one variable into another, the integration step.
Your particular exception is that integrate.quad is expecting a numpy array, not a pymc
Variable. If you want to do quad within pymc, you'll have to make a custom theanoOp(with derivative) for it.
相关问答
更多-
我快速刺了一下。 但是，这种方法需要进行相当大的改动，因为对模型进行矢量化通常会更方便。 这也揭示了我修复的一个错误（ https://github.com/pymc-devs/pymc3/commit/c784c478aa035b5113e175145df8751b0dea0df3 ），因此您需要从当前主服务器进行更新才能使用。 这是完整的NB： https ： //gist.github.com/anonymous/c1ada3388a40ae767a8d 它似乎还没有完全奏效，因为结果并不完全相同，但 ...
-
使用PYMC3回归(Regression using PYMC3)[2022-11-24]
glm子模块设置了一些默认的先验，这可能非常适合你的每一个案例。 您可以使用family参数更改它们，例如： pm.glm.glm('y ~ x', data, family=pm.glm.families.Normal(priors={'sd': ('sigma', pm.Uniform.dist(0, 12000))})) 不幸的是，这还没有很好的记录，需要一些很好的例子。 The glm submodule sets some default priors which migh ... -
您可以尝试调整以下模型。 是一种“常规”线性回归。 但是x和y已经被高斯分布所取代。 在这里，我不仅假设输入和输出变量的测量值，而且还假设它们的误差的可靠估计（例如由测量设备提供）。 如果您不相信这些错误值，则可以尝试从数据中估算它们。 with pm.Model() as model: intercept = pm.Normal('intercept', 0, sd=20) gradient = pm.Normal('gradient', 0, sd=20) epsilon = p ...
-
pymc3中的贝叶斯因子(Bayes factors in pymc3)[2022-08-26]
你可以尝试这样的事情： with pm.Model() as model: p = np.array([0.5, 0.5]) model_index = pm.Categorical('model_index', p=p) model0 # define one model here model1 # define the other model here m = pm.switch(pm.math.eq(model_index, 0), model0, model1 ... -
是的，我误解了.sample_ppc的用途。 您不需要它用于未观察到的变量，因为这些变量具有跟踪中的样本。 观察到的变量不是从中采样的，因为它们的数据是被观察到的，因此您需要sample_ppc来生成样本。 总之，我可以从跟踪中收集pm.Deterministic变量的样本。 Yes, I was misunderstanding the purpose of .sample_ppc. You don't need it for unobserved variables because those have ...
-
pymc3：使用NUTS(pymc3: using NUTS)[2022-07-26]
这可能很困难--PyMC3和Stan（其中一些维护人员撰写了NUTS论文）都纳入了新的最佳实践和改进。 你可以从github克隆它并检查一下早期的实现。 这个提交有一个NUTS实现，紧跟在本文的注释之后。 从那以后，它被重构为使用更多的描述性变量名称以及上述改进。 This might be difficult -- both PyMC3 and Stan (some of whose maintainers wrote the NUTS paper) have incorporated new best ... -
trace是马尔可夫链蒙特卡罗（MCMC）过程的输出。 在给定数据的情况下，它会收敛到参数的分布（例如，信念）。 您可以使用以下方法查看跟踪： pymc3.traceplot(trace, vars=['alpha', 'beta', 'sigma']) 如果您希望在跟踪的每个点上看到回归的各个实现，您可以执行以下操作： import matplotlib.pyplot as plt a = trace['alpha'] b = trace['beta'] x = np.linspace(0,1,N) ...
-
是的，它有可能制造具有复杂或任意可能性的东西。 虽然这看起来不像你在这里做的。 看起来您将一个变量复杂转换为另一个变量，即集成步骤。 您的特殊例外是integrate.quad需要一个numpy数组，而不是pymc Variable 。 如果你想在pymc中做四边形，你必须为它制作一个自定义theano Op （带衍生物）。 Yes, its possible to make something with a complex or arbitrary likelihood. Though that does ...
-
你很亲密，你只需做一些小改动。 主要原因是PyMC3数据总是不变的。 检查以下代码： with pm.Model() as m: a = pm.Normal('a', mu=0, sd=1) b = pm.Normal('b', mu=1, sd=1) mu = a + b*x mu_est = pm.Normal('mu_est', mu, x_sem, shape=len(x)) likelihood = pm.Normal('likelihood', mu= ...
-
您正在寻找的是逻辑回归 。 在这里，您可以使用逻辑函数将线性模型的输出转换为概率。 在您的示例中，可以指定如下： from pymc3 import * import theano.tensor as T basic_model = Model() def logistic(l): return 1 / (1 + T.exp(-l)) with basic_model: # Priors for unknown model parameters alpha = Normal(' ...