如何系统有效学习 Python 自动化测试？

网络安全_入门教程 网络安全_入门教程 博客等级 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 200+累计阅读 246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 码龄4年
关注
原创 2024-01-06 10:29:39 246 阅读 AI 写同款· GEO 优化 ›
python自动化测试学习路线（从入门到精通） 首先理清自动化测试的概念，1、广义上来讲，自动化包括一切通过工具（程序）的方式来代替或辅助手工测试的行为都可以看做自动化，包括性能测试工具（loadrunner、jmeter）,或自己所写的一段程序，用于生成1到100个测试数据。所以实际上从广义上来讲：性能测试、接口测试等但凡用到测试工具的测试都称为"自动化测试"2、狭义上来讲，通工具记录或编写脚本的方式模拟手工测试的过程，通过回放或运行脚本来执行测试用例，从而代替人工对系统的功能进行验证。 阅读详情

如果你恰好刚刚进入一家新公司，领导一上来就让你开展自动化测试，作为一名初出茅庐的测试新人，除了手足无措，你只能默默慨叹自己能力尚欠，眼前只会出现一个又一个无从下手的问题：

作为手工测试，如何营造机会和环境解决我们自身提升的瓶颈？（好慌！以为自己手工测试已经登峰造极，不料我慌了……）

如何在最短的时间内能够跨入自动化测试人才的队伍？（我就想想，万一实现了呢……）

如何落地自动化测试呢？（领导一说话，哭泣哭泣怕了怕了……）

又如何在后续继续提升发展呢？（老大不小了，不能一事无成了……）

面对以上种种问题，我们究竟该如何面对？又该如何解决？在这里插入图片描述
你可能会这样做：

1.买了好几本编程语言的书，好厚啊！即使好不容易看明白一些，内容太多，怎么记住？

2.好不容易记住了一些，会写了两三个程序，怎么做自动化测试呢？

3.终于可以写一些自动化测试脚本了，企业对自动化测试工程师的要求是什么？怎么才能满足面试的要求呢？

4.自动化测试这个岗位后续的发展如何呢？能长久保鲜吗？…

下面我来分享下我的自动化测试经验及发展方向，或许能帮助你解决很多工作中的迷惑。

在这里插入图片描述

一、自动化测试的学习步骤

关于自动化测试，按语言目前主要可以分为两种：一种是基于Python的自动化，一种是基于Java的自动化，具体用哪种语言，可以根据自己的实际情况而定，归根结底都是为了解决问题而存在的。

1、自动化测试的薪资

先来说一下，大家最关心的问题，也是测试的薪资

第一阶段：手工测试工程师

年薪8-10W

主要技能：测试分析+用例设计+测试执行

↓

第二阶段：自动化测试工程师

年薪15-25W

主要技能：测试脚本研发能力

↓

第三阶段：全栈自动化测试工程师

年薪30-50W

主要技能：所有类型所需自动化测试技术

↓

第四阶段：测试开发工程师

年薪50-80W

主要技能：测试框架及测试工具的需求、设计及研发能力

2、自动化测试的学习步骤

1、做好手工测试（熟悉测试基础）

2、学习编程语言（Python/Java）

3、学习Web基础

4、学习自动化测试工具

5、学习自动化测试框架

6、实现自动化测试用例

7、开发自动化测试工具

8、开发自动化测试框架

二、自动化测试如何开始？

1、测试方向：推荐Web自动化

关于"从哪个领域开始自动化测试"这个问题，我推荐从Web UI自动化开始学起，原因主要是：web UI自动化便于入门、便于理解。

2、测试工具：推荐selenium

选择好了自动化测试方向，紧接着就是选择测试工具。这里推荐Selenium，最主要原因在于：开源，用的人非常多。

Selenium通过web driver模拟人为控制浏览器进行自动化操作，目的主要是为了测试自动化web应用程序。

其实自动化就是电脑模拟人的操作，人如何做就让电脑如何做，其重点在于如何定位页面元素？如何对元素进行操作？

3、脚本语言：推荐Python

选好了测试工具，接下来是选择一门合适的脚本语言。

这里建议选择Python，原因：学习难度小，开发周期短。对目前国内大多数测试人员来说，编码经验不足，python是个很好的入门语言。胶水语言，能与C++, Java, COM, and .NET,Object-C 整合。

测试部门要做单元测试，接口测试，因为人员比例的关系，不可能让测试人员同时掌握多门语言，python可以对C/C++, Java, Object-C进行接口封装后，实现单元测试。语法简约，清晰，减少后期维护的难度。

当然，如果你有Java基础，也可以选择Java。

四、自动化核心技术点

确定了Python+Selenium方向后，接下来就是实战。

自动化一般需要四步操作：获取元素，操作元素，获取返回结果，断言（返回结果与期望结果是否一致），最后自动出测试报告。

Selenium提供8种元素定位的方法：id,name,class name,link text,xpath,css selector,tag name ,partial link tex

三、总结Python自动化系统学习路径

1、Python基础

深入学习自动化测试开发的基础。这部分主要包含python基础的语法，数据类型，数据结构，面向对象的python程序设计；

这部分对于学习能力好的人士来说，问题不大，因为都是单一的技术点，跟着一些网上现成的资源，加上自己的每日代码演练，学会应该问题不大；

当然如果要深入理解核心技术点的原理，机制等，需要查阅python官方文档及技术站点，甚至查看python源码，这就需要深入学习的能力了；

但很多初学者看到算法就头疼，其实对于测试开发岗位而言，一般的自动化测试工具对性能要求不高，跟着做几个大项目历练历练，熟练掌握编程技巧，实现业务逻辑才是重点。

2、熟悉Python常见内库

Python的优点之一就是它有非常丰富的自有库和第三方库，这也是Python开发速度快的原因之一。所以要实现业务逻辑，就需要掌握内嵌模块或者第三方模块。

3、掌握自动化测试框架和常见库

举例：

接口测试——Requests、Postman

性能测试——Locust

APP自动化测试——Appium、UIAutomator

Web自动化测试——Selenium

数据库的连接和操作——pymysql库

4、掌握自动化测试工具的设计思路

学习UnitTest，pytest、Page Object的设计模式，学习Jenkins，实现持续集成，快速测试，迭代。

5、实践是检验真理的唯一标准

找一个懂Python自动化测试的老师或朋友，从他们的规划和实践中找到自己的学习路线，多多请教他们，必定会事半功倍。

四、跟测试大佬一起学习交流技术

如果大家想要获得更好的加薪和升职的机会，首先要脚踏实地的认真高效做事，无论老板有没有盯着你，记着这是为“自己工作！”绝不是为老板工作，只有自己的能力提高了，为公司创造了真正的价值，才会有更多更好的机会迎接你！

同时别忘记在工作过程中一定要不断地充电学习，找一个优秀、无私的“教练”是成功的关键，否则自己很难突破的，起码短时间内是绝对不可能的！

最后就是要适时地停一停，对以前的自己好好总结一下，才能为第二次腾飞做好充分的准备！

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

对于0基础小白入门：

如果你是零基础小白，想快速入门Python是可以考虑的
一方面是学习时间相对较短，学习内容更全面更集中
二方面是可以找到适合自己的学习方案

包括：Python安装包+激活码、Python web开发，Python爬虫，Python数据分析，人工智能、机器学习等教程。带你从零基础系统性的学好Python！

读者福利：优快云大礼包：《Python小白从入门到精通全套学习资料》免费分享 安全链接免费领取

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

在这里插入图片描述

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

在这里插入图片描述

三、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

在这里插入图片描述

在这里插入图片描述

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

在这里插入图片描述

五、100道Python练习题

检查学习结果。

在这里插入图片描述

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。


​​

👉 这份完整版的Python全套学习资料已经上传，朋友们如果需要可以扫描下方优快云官方认证二维码或者点击链接免费领取【保证100%免费】

读者福利：优快云大礼包：《Python小白从入门到精通全套学习资料》免费分享 安全链接免费领取

收录于
办公自动化

当前文章被收录于：

办公自动化
8 篇文章 3 人学习

Python自动化办公技巧、教程

订阅专栏 查看详情
标签
#学习 #python #自动化办公 #编程学习
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。
Python自动化测试 自动化测试是指使用自动化工具或脚本来执行测试用例，验证软件系统是否满足预期功能和性能要求。Python 因其简洁的语法、丰富的库和强大的脚本编写能力，在自动化测试领域得到了广泛应用。它可以用于单元测试、集成测试、接口测试、UI 测试等多个层面。 阅读详情

相关推荐

【Python自动化测试】——自动化测试基础

Python自动化测试——自动化测试基础

Python全栈系列 1753

如何系统有效学习 Python 自动化测试？ Atstudy网校

如果你恰好刚刚进入一家新公司，领导一上来就让你开展自动化测试，作为一名初出茅庐的测试新人，除了手足无措，你只能默默慨叹自己能力尚欠，眼前只会出现一个又一个无从下手的问题： 作为手工测试，如何营造机会和环境解决我们自身提升的瓶颈？（好慌！以为自己手工测试已经登峰造极，不料我慌了……） 如何在最短的时间内能够跨入自动化测试人才的队伍？（我就想想，万一实现了呢……） 如何落地自动化测试呢？（领导一说话，哭泣哭泣怕了怕了……） 又如何在后续继续提升发展呢？（老大不小了，不能一事无成了……） 面对以上种种问题，我们

公众号：【伤心的辣条】 875

这篇文章教会你Python自动化测试需要学什么？怎么去学？从哪里开始学？看完本文学习python目标明确，学习简单粗暴。

一、Python常用领域 Python用于简单脚本编程，如编写2048小游戏或12306的自动抢票软件； Python用于系统编程，如开发系统应用； Python用于开发网络爬虫； 网络爬虫的用途是进行数据采集，也就是将互联网中的数据采集过来。网络爬虫的难点其实并不在于爬虫本身，由于网站方为了避免被爬取回采取各种各样的反爬虫措施，而如果想要继续从网站爬取数据就需要解决这些反爬虫措施，所以网络爬虫的难点在于反爬的攻克和处理。 Python用于Web开发，如个人博客、在线教育网站以及论坛等； P

qishuzdh的博客 1196

知乎万赞，如何系统有效学习 Python 自动化测试？

1、Python基础深入学习自动化测试开发的基础。这部分主要包含python基础的语法，数据类型，数据结构，面向对象的python程序设计；这部分对于学习能力好的人士来说，问题不大，因为都是单一的技术点，跟着一些网上现成的资源，加上自己的每日代码演练，学会应该问题不大；当然如果要深入理解核心技术点的原理，机制等，需要查阅python官方文档及技术站点，甚至查看python源码，这就需要深入学习的能力了；

xx_nm98的博客 231

wsl + vscode 离线配置 ERROR: Faild to download https://update.code.visualstudio.com

很多情况下是没有现成的VS Code Server程序的，需要手动下载。记住上面的Commit ID，可以通过下面的链接下载 vscode-server-linux-x64.tar.gz。然后将vscode-server-linux-x64.tar.gz上传在服务器上的$HOME/.vscode-server/bin文件夹中，解压。在wsl中下载不了 vscode 的核心。运行下面两行命令，建立空的$HOME/.vscode-server/bin文件夹。重新运行 wsl与vs的链接即可。

点云算法工程师 3790

告别ROS1！在Ubuntu 22.04上为VINS-Fusion适配ROS2 Humble的完整踩坑记录

本文详细记录了在Ubuntu 22.04上将VINS-Fusion从ROS1迁移到ROS2 Humble的完整过程，包括环境搭建、依赖管理、核心代码适配及性能优化。通过实战案例和调试技巧，帮助开发者高效解决迁移过程中的常见问题，提升系统稳定性和性能。

weixin_42628688的博客 281

知乎1500赞丨如何系统有效学习 Python 自动化测试？

如果你恰好刚刚进入一家新公司，领导一上来就让你开展自动化测试，作为一名初出茅庐的测试新人，除了手足无措，你只能默默慨叹自己能力尚欠，眼前只会出现一个又一个无从下手的问题

软件测试小dao 316

基于NXP BFU730F的宽带WiFi LNA设计：从原理到实测的完整指南

低噪声放大器（LNA）是无线通信接收链路中的关键器件，其性能直接决定了系统的接收灵敏度。LNA的核心原理是在放大微弱信号的同时，尽可能降低自身引入的噪声，并保持良好的线性度以应对强干扰。在宽带应用场景下，如覆盖2.4GHz至5.9GHz的现代WiFi系统，设计需在宽带匹配、噪声优化和增益平坦度之间取得精妙平衡。本文以NXP的BFU730F SiGe:C HBT晶体管为核心，深入解析一种采用电阻反馈和LC匹配网络的经典宽带LNA架构。该设计通过优化反馈网络，在宽达3.5GHz的频带内实现了优异的噪声系数（低至

weixin_33587161的博客 327

自动化专业学python如何_如何系统有效学习 Python 自动化测试？

如果你恰好刚刚进入一家新公司，领导一上来就让你开展自动化测试，作为一名初出茅庐的测试新人，除了手足无措，你只能默默慨叹自己能力尚欠，眼前只会出现一个又一个无从下手的问题：作为手工测试，如何营造机会和环境解决我们自身提升的瓶颈？(好慌！以为自己手工测试已经登峰造极，不料我慌了……)如何在最短的时间内能够跨入自动化测试人才的队伍？(我就想想，万一实现了呢……)如何落地自动化测试呢？(领导一说话，哭泣哭...

weixin_39856589的博客 276

深入解析Cuk、Zeta和Sepic拓扑：非隔离型开关电源的设计奥秘

本文深入解析了Cuk、Zeta和Sepic三种非隔离型开关电源拓扑的设计奥秘。它们均能实现升降压转换，但特性各异：Cuk拓扑输出反向电压，输入输出纹波极低；Sepic拓扑输出同极性电压，应用广泛；Zeta拓扑输出纹波小，适合精密供电。文章详细对比了其电路结构、工作原理、核心公式及选型指南，帮助工程师根据输入电压范围、输出极性及纹波要求，灵活选择最合适的拓扑方案。

weixin_28308325的博客 477

从JTAG到AS模式：一文搞懂EP4CE10E22C8N所有配置引脚（MSEL, nCONFIG, DATA0）的用法

本文深入解析EP4CE10E22C8N FPGA的配置引脚（MSEL, nCONFIG, DATA0）在不同模式下的使用方法，特别关注从JTAG到AS模式的切换要点。通过详细的配置模式对比、状态机分析和PCB布局建议，帮助开发者避免常见陷阱，提升FPGA配置成功率。

weixin_33713350的博客 320

python自动化_系统有效学习 Python 自动化测试 | 附python知识图谱！

现在不少公司都开始注重测试，尝试用自动化测试框架，比如最流行的Robot Framework，它是完全用 Python 开发的，对于验收测试非常有用。这个框架可以运行在 Java 和.NET 环境。它还支持跨平台，例如 Windows、MacOS 和 Linux。它有如此多可用的工具和库，使得这个框架非常先进和健壮。关注，转发，私信小编“01”即可免费领取！这一点也直接体现在面试中，不少大厂也会问...

weixin_39749501的博客 159

大数据平台符合信创（CDH国产化代替）详细方案（企业内部不外传方案）

信创旨在实现信息技术产业的自主可控，减少对外部技术的依赖，从而提升国家信息安全和经济发展的自主性。在此背景下，中国对信创提出了更高的要求，以期在激烈的市场竞争中占据有利地位。信创不仅关乎技术层面的创新，更涉及到产业链条的整合与优化。它要求从基础硬件、操作系统、数据库、中间件等各个层面实现国产替代，构建完整的信息技术生态体系。尤其是在做国企项目时，就有硬性要求使用符合信创（国产代替）。在信创背景下，符合要求的产品必须具备自主可控、安全可靠以及性能卓越等核心特点。

大模型大数据攻城狮的专栏 3510

Python和Java语言，哪个更适合做自动化测试？

Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

2401_84141304的博客 757

基于Simulink的无迹卡尔曼滤波（UKF）SOC高精度估计仿真

本文介绍了基于Simulink的无迹卡尔曼滤波(UKF)在电池SOC高精度估计中的应用。通过无迹变换替代传统EKF的线性化过程，UKF显著提升了SOC估计精度，在强非线性工况下误差可控制在0.5%以内。文章详细阐述了UKF的核心原理，包括Sigma点生成、状态预测和观测更新等关键步骤，并基于Thevenin等效电路模型构建了完整的UKF SOC估算系统。通过Simulink建模和仿真验证，展示了UKF在大电流脉冲、变温工况等复杂场景下的优异性能，其动态响应时间小于30ms，长期累积误差低于0.7%。研究为储

amy_mhd的博客 124

基于图像形态学处理的交通灯检测识别matlab仿真

图像形态学处理是基于数学形态学的理论，利用结构元素（如矩形、圆形等）对图像进行处理，通过将结构元素与图像进行特定的逻辑运算，来提取图像中的目标特征、去除噪声、改善图像质量等。在交通灯检测识别中，主要利用交通灯的颜色、形状等特征，通过形态学操作突出这些特征，抑制背景和噪声干扰，从而实现对交通灯的准确检测和识别。图像采集与预处理采集：通过安装在车辆或道路上的摄像头获取交通场景图像。灰度化：将彩色图像转换为灰度图像，减少数据量，便于后续处理。

平时工作较为繁忙,私信消息一般晚上回复,谢谢大家~~ 160

Python在智能水务系统自动化测试与水质预测中的实践与优化

摘要：Python在智能水务系统中发挥重要作用，通过分层测试策略解决多设备接口、实时性要求高等挑战。应用包括数据层验证、算法测试、接口集成及水质预测优化，利用机器学习实现水质异常检测和泵站调度优化。结合高并发性能测试和CI/CD集成，显著提升水质预测精度、泵站效率及运维响应速度，为智慧水务提供可靠技术支撑。

2501_94188461的博客 940

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")

java与python哪个更适合学习-Python和Java哪个更适合做自动化测试？

Python：易于学习，语法简洁不可否认的是，Python相对于其他语言来说，要容易的多。因为Python语言的简单明了，很多外行人也能读懂它的代码。Python语言不需要拥有很丰富的词汇，简单明了又直奔主题，只需用少量的代码就能建出更多的功能。并且Python拥有最成熟的程序包资源库之一。Java：架构独特，速度快Java是一门面向对象编程语言，在吸收了C++语言的各种优点同时摒弃了它的缺点。并...

weixin_37988176的博客 383

WINCC7.3破解文件

WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具

Python在智能金融风控系统自动化测试与异常检测中的应用

摘要：智能金融风控系统测试面临多模块协作、实时性要求高、数据复杂等挑战。基于Python的自动化测试体系采用分层设计，包含单元测试、接口测试等层级，利用requests、Selenium等工具实现API和端到端测试。通过数据驱动和异常场景模拟验证系统，结合机器学习进行风险分析。性能测试使用Locust模拟高并发，CI/CD实现持续集成。实践表明，该方法可提升测试覆盖率至90%，缩短回归周期50%，提高异常检测准确率25%，使系统可用性达99.99%，为金融业务提供安全保障。

2501_94114632的博客 681

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

python自动化测试学习路线

一、Python的应用场景 Python用于简单脚本编程，如编写2048小游戏或12306的自动抢票软件； Python用于系统编程，如开发系统应用； Python用于开发网络爬虫； 网络爬虫的用途是进行数据采集，也就是将互联网中的数据采集过来。网络爬虫的难点其实并不在于爬虫本身，由于网站方为了避免被爬取回采取各种各样的反爬虫措施，而如果想要继续从网站爬取数据就需要解决这些反爬虫措施，所以网络爬虫...

爱码小哥 3535

如何快速且有效的学习自动化测试？

2023最新自动化测试自学教程新手小白26天入门最详细教程,目前已有300多人通过学习这套教程入职大厂！！_哔哩哔哩_bilibili2023最新合集Python自动化测试开发框架【全栈/实战/教程】合集精华，学完年薪40W+_哔哩哔哩_bilibili​​也方便你下次能够快速查找。如有不懂还要咨询下方小卡片，博主也希望和志同道合的测试人员一起学习进步在适当的年龄，选择适当的岗位，尽量去发挥好自己的优势。我的自动化测试开发之路，一路走来都离不每个阶段的计划，因为自己喜欢规划和总结，

MXB1220的博客 1333

如何学习python自动化测试，这是我见过最完整的教程了

Python自动化测试是目前比较流行的一种自动化测试技术。它具有开发效率高、可扩展性强、应用广泛等优点，因此在实际工作中越来越受到重视。那么如何学习Python自动化测试呢？下面将从以下几个方面进行介绍。学习Python自动化测试不仅需要掌握相关技术，更需要在实践中不断提升自己的编程能力和解决问题的能力。因此，初学者可以先从简单的测试用例开始练手，然后逐渐扩大测试范围和测试复杂度。同时，也可以参与开源项目或者社区活动，与其他开发人员交流和分享经验，提高自己的技术水平和认知水平。

MXB_1220的博客 3565

python自动化测试-如何学习自动化测试？

1月3日，我在知乎做了关于手工测试如何转向自动化测试的分享，欢迎围观。手工测试如何转向自动化测试​www.zhihu.com———————编辑了一下。我写一个学习路线吧：1.学习python基本语法。2.上w3school这个网站（2019年4月6日补充：网址是http://www.w3schools.com。但是现在这个网站被墙，而且出现众多山寨站点。。。这个网站的特点是你可以在网页上做一些练习...

q6q6q的专栏 852

Python自动化测试怎么学？大牛给你画了张学习规划图

有很多的朋友问我，Python自动化测试应该怎么学，在b站看视频能学会吗？现在网络上的软件测试资料很多，但是很多人就是没有规划，不知道该怎么去学习，往往没有头绪的学习，到头来都是无法坚持的，这个时候学习规划的作用就出来了。好的学习规划能够更好的帮助你学习，能让你少走很多的弯路。

优快云_430422的博客 1066
上一篇： 大学生学完python靠几个接单网站兼职，实现经济独立
下一篇： 为什么几乎所有的量化交易都用Python？
点赞 0
评论 0
书签 书签 0
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