实战：解决C++ AI引擎代码仓库难以维护的问题

概述本文章向大家介绍实战：解决C++ AI引擎代码仓库难以维护的问题，主要包括实战：解决C++ AI引擎代码仓库难以维护的问题使用实例、应用技巧、基本知识点总结和需要注意事项，具有一定的参考价值，需要的朋友可以参考一下。

0 背景

我们团队目前主要负责研发 AI 引擎（主要用 C++ 实现），简单说来就是将算法 SDK 及模型进行封装，对外提供统一的接口方便后续的应用开发。相信有这类工作的经历的人都会明显感觉到有如下特点：

对外接口基本不变

算法 SDK 版本多：cpu/GPU，X86/ARM…

算法模型更多：1.0，2.0，3.0…还不算麻烦，关键是还有各种组合模型比如 1.0+2.0，1.0+2.0+3.0

本来再复杂的事情只要做的次数少其实都还能接受。所以起初，我们将应用（Application）、算法SDK（SDK）、算法模型（Models）都放在一个仓库中进行管理，需要版本时就整体打包，也安安稳稳的过了些日子。

但是随着业务发展，各个项目需要的引擎版本差异就越来越大：可能A项目需要我们提供 cpu 版本 1.0 模型的安装包，同时B项目又需要我们提供 GPU 版本的 2.0+3.0模型的安装包，同时C项目需要我们定位许久以前 ARM 版本上的一个BUG…于是各种幺蛾子出现：

仓库大小分分钟超过10G

用户常常下错安装包

模型中某个配置项的默认值设置出错

打包时忘了改某个配置参数

只能在某台服务器上可以编译打包，换个环境配置半天都不一定搞得定

我们突然发现，如果不解决工程性问题的话，加人不一定有效，甚至可能会越来越乱。我们需要重新梳理整个工程结构，所以就有了后文的内容。

1 目标

首先，我们要明确痛点和需求，才能更好的进行改进。根据实际需求和现存问题，我们认为新的工程结构应该具备如下特点：

需求 1：尽可能的减少打包 *** 作，让开发有更多时间在开发

需求 2：方便多人协同工作

需求 3：支持本地编译的基础上，支持代码提交后自动化编译出包

2 核心方案：

为了满足上述需求，我们最终采用的是下述两个思路来实现

标准化：用来搞定需求 1 和需求 2

自动化：用来搞定需求 3

2.1 标准化

标准化具体来说有以下两点：

改进方向：通过合理划分工作以及对应代码仓库来实现

原始方案：

代码仓库：Application 仓库（内含指定版本的 SDK 及 Models）

发布仓库：Application 仓库（内含指定版本的 SDK 及 Models）

获取方式：找到 Application 版本后直接下载

维护方式：

（低频）修改业务逻辑（如：新增 rpc 接口）：重新构建整个工程并发布

（中频）切换SDK版本（如：将x86版本换为嵌入式arm版本）：重新构建整个工程并发布

（高频）切换模型版本（如：将单模型更新为混合（多）模型）：重新构建整个工程并发布，或者在已经打包完成的二进制包中手动更新模型文件及配置文件

改进方案：

代码仓库：Application 仓库、SDK 仓库、Models 仓库

发布仓库：Application 仓库（内含指定版本的 SDK）、Models 仓库

获取方式：找到 Application 版本并选定需要的模型，服务器后台经过文件拼接后生成下载链接以供下载

维护方式：

（低频）修改业务逻辑（如：新增 rpc 接口）：重新打包 Application 仓库并发布

（中频）切换SDK版本（如：将x86版本换为嵌入式arm版本）：重新打包 Application 仓库并发布

（高频）切换模型版本（如：将单模型更新为混合（多）模型）：无维护工作

依赖工具：QT(qmake) + Conan

QT(qmake)：C++ 工程管理工具，方便按需生成 makefile

Conan：去中心化包管理工具，主要作用是用“包”的形式管理 C++ 或其他二进制文件的依赖关系

Artifactory：Conan 官方提供的支持私有化部署的仓库，用于持久化存储 Conan 中的“包”以及编译出来的最终二进制文件

注：这里选用 QT 进行 C++ 代码管理，主要是因为延续项目历史配置的原因。其实选择任何 Conan 支持的高级工程管理工具都是可行的，例如 CMake

收益：

仓库拆分后，Application 仓库中的内容更清晰简洁，仓库大小从 Gb 级别降至 Mb 级别，方便管理

通过仓库的拆分，将打包过程分为两个阶段并使得 Application （内含指定版本的 SDK）与 Models 解耦，支持按需生成用户实际需要的安装包，降低打包工作量

C++ 中的依赖库被 Conan 整体接管，编译选项被 QT + Conan 整体接管，多人协助基础技术障碍基本扫清

SDK 内部配置、Models内部配置统一使用仓库配置，降低因误 *** 作导致默认配置被改的概率

2.2 自动化

由于代码托管在 Gitlab 上，所以整体方案比较直接：Gitlab-ci + Kubernetes + Docker：

gitlab-ci：Gitlab 内置 CI/CD 工具，在Gitlab 体系中使用非常方便

Kubernetes + Docker：将编译环境制作为容器并支持在私有云动态部署，这里主要作为 gitlab-ci 的 runner 使用

收益：

通过自动化打包，实现统一的出包策略，降低打包过程中的低级错误发生的可能性

无缝对接后续的自动化测试等流程

3. （附录）实现过程中的主要坑点：

3.1 团队协作

在团队中设置专人负责除 Application 以外的所有基础库的维护工作；

3.2 Conan + Artifactory

安装完 Conan 后，可以通过修改 conan.conf 中的 path 字段来改变“包”的实际存储位置；

不允许覆盖、删除所有上传至 Artifactory 的 stable 包；

Conan 中 Settings 系列字段（OS、Architecture、Build Type、Compiler等）无法支持自定义值，因此如果有嵌入式编译需求时，建议在所有项目中增加默认的 Option 字段（类似 shared）用于标识目标机的具体定义（如：Redhat6.4，3559A等）；

建议在私有 Artifactory 中维护项目所需的所有基础包，并在使用时移除 conan-center 公共远程仓库，控制外部环境（主要是网络）对编译过程的影响；

conanfile.py 完全覆盖 conanfile.txt 的功能，建议所有 Conan 工程仅维护 conanfile.py 即可；

使用在 Conan 的 Option 扩展“包”的可配置性时要慎之又慎，如无必要勿增实体，要知道每多一个 Option 后续打包的时候都要多一个麻烦；

在 conanfile.py 的 configure()、config_options()、requirements() 中尽可能的将 requirements 与 options 配置明确，降低实际使用时的复杂程度；

使用 Conan 提供的 cpt.packager 工具来管理同时编译多个版本的任务；

3.3 gitlab-ci

打包时版本号的后缀部分根据构建时间自动生成，如：v1.0.0-20181212080808；

打包时将 commit ID 的 sha 值随二进制包一同输出；

feature分支仅提供artifacts下载试用，仅主干分支支持上传至 Artifactory 仓库；

若有多个版本，建议在使用 gitlab-ci 实现时以并行任务的方式同时进行构建，以避免频繁修改自动化配置；（.gitlab-ci.yaml文件）

3.4 Kubernetes + Docker

自己制作拿来即用的 Docker 镜像，加快构建速度并控制风险；

总结

以上是内存溢出为你收集整理的实战：解决C++ AI引擎代码仓库难以维护的问题全部内容，希望文章能够帮你解决实战：解决C++ AI引擎代码仓库难以维护的问题所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。