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
2.2k累计阅读
2.3k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
回顾2013年,我们为了摸清楚企业的软件测试的真正需求, 开展了一系列调研, 与企业一线测试工程师、测试主管、项目经理等角色进行了深入的交流， 以下列举一些：
天福茗茶测试团队
理文纸业IT信息部门
深圳平安科技开发部
深圳医疗信息中心
易方达信息技术部
广州闪购软件服务有限公司测试经理
渤海银行 信息科技部 质量与测试团队
志拓网络公司
广州诺特软件
OWASP中国区主席Rip
IBM加拿大安全实验室专家Peter
汇丰银行测试团队
比亚迪信息安全部工程师
华为测试与装备部工程师
北京AIA自动化测试工程师
电网信息中心测试实验室工程师
广州电信设计院工程师
厦门国际银行工程师
深圳蓝韵网络测试工程师
中科院软件所工程师
南方基地工程师
展望来年，我们希望与更多的企业和测试同行接触和交流、了解企业测试需求、以便更好地研发测试产品、提供测试服务、培训课程等。
NHANES数据库实战：数据合并与加权分析技巧
本文详细解析了NHANES数据库实战中的核心技巧，重点阐述了数据合并与加权分析的正确方法。通过两个具体案例，手把手指导如何从数据下载、合并、权重计算到使用R语言survey包进行加权统计分析，避免因忽略复杂抽样设计而导致的研究偏倚，确保分析结果的准确性与可发表性。
有效软件测试 - 50条建议 - 需求阶段
1、测试人员尽早介入 尽量在需求阶段就开始介入，其好处不言而喻，尽早发现问题可以有效的降低项目风险和修复成本。让质量保障的工作贯穿整个软件开发的生命周期，有效的进行 缺陷预防。 2、验证需求 为每个需求提供 质量度量标准，具体而言就是针对需求划分2个分类：满足需求分类和不满足需求分类。要明确满足需求和不满足需要的具体度量标准，是模糊的需求明确化。对于不易明确化的需求，可以进行需求划分，把大需...
英伟达NVIDIA数字IC后端笔试真题（ASIC Physical Design Engineer）
英伟达NVIDIA数字IC后端笔试真题(ASIC Physical Design方向)
我的2013
我的2013一、工作分为2个阶段1.上半年岗位：系统架构师心得体会：1.多跟领导、团队、公司其他部门、客户、协助第三方多沟通；2.快速理顺业务逻辑关系，弄清楚业务流程，搞清楚业务的难点与重点；3.亲自使用、测试明白系统存在的问题，操作步骤，一定要明白问题是什么，系统存在哪些问题，哪些问题是最紧迫，客户反映最激烈，最影响产品推广与实施的；4.快速理解平台的框架，分为哪些功能模块，梳理每个功能模块技术
生成式引擎优化（GEO）标准化操作流程：构建高效AI生成系统的全链路指南
GEO是针对生成式AI的内容优化策略，通过提升内容在AI生成答案中的引用优先级实现品牌传播。相比传统SEO，GEO使内容直接嵌入AI答案，无需用户点击链接。核心流程包括：1）逆向拆解AI问答场景，结构化知识资产；2）生产权威内容（白皮书、专利数据）和算法适配内容（PCOE模板）；3）技术实现（数据投喂、模型微调）；4）331渠道分发策略；5）效果监控与动态防御。需注意采用结构化数据标记、主动提交训练数据，并避免简单复制SEO策略。2025版强调内容权威性和语义优化，通过AI原生内容工程实现高效曝光。
Carsim2019与Simulink (Matlab2018b)联合仿真成功（超详细）
Carsim与Simulink联合仿真成功
SH9分词器Tokenizer的终局：无token化技术与大语言模型的架构重构（世毫九实验室原创研究）
回顾Tokenizer的发展历程，从2013年Word2Vec和GloVe的词级分词，到2015年BPE算法的引入，再到2018年WordPiece和SentencePiece的兴起，直至2021年ByT5等字节级模型的出现，这一技术演进的轨迹清晰地反映了一个根本性矛盾：离散化处理与连续语言本质之间的冲突。相比之下，字节级模型通过直接操作原始UTF-8数据，具备与生俱来的通用性与鲁棒性，能够处理任意语言的任意文本，且无未登录词（OOV）问题，对文本表面的细微变体也不敏感，但代价是序列长度显著增加。
基于深度确定性策略梯度的永磁同步电机强化学习控制方法
本文提出了一种基于深度确定性策略梯度(DDPG)的永磁同步电机(PMSM)电流内环智能控制方法。首先建立了PMSM在d-q坐标系下的数学模型，分析了传统矢量控制双闭环系统中PI控制器的局限性。针对电流内环控制问题，设计了包含电流跟踪误差、转速信息和历史控制量的状态空间，将电压输出作为动作空间，并构建了兼顾跟踪精度和响应速度的奖励函数。通过DDPG算法训练智能体，使其能够自适应调整控制策略。仿真结果表明，与固定参数的PI控制器相比，DDPG控制器在动态响应速度和抗干扰能力方面具有明显优势，为PMSM高性能控制
【课程设计】(附源码)基于SSM技术的oa办公管理系统的设计与实现 毕业设计100934
办公自动化是信息社会的一种新型办公方式，它将现代化办公和计算机网络功能结合。随着信息技术的发展,办公自动化在行政企事业单位的管理、经营活动中发挥着日益重要的作用。通过网络,组织机构内部的员工可跨越时间、地点协同工作。通过办公自动化系统所实施的交换式网络应用，使信息的传递更加快捷和方便，从而极大地扩展了管理手段,实现了运营的高效。
【OpenClaw从入门到精通】第37篇：教育“龙虾”进化论——从答疑助教到全流程智能教学系统（2026实测版）
2026年，教育AI已从被动答疑的L1级进化至主动教学的L4级，清华开源的OpenMAIC平台更是打破传统慕课局限，实现互动式AI课堂。本文基于天津工业大学、西北农林科技大学等高校的真实应用案例，结合腾讯云、天翼云的实操指南，详解OpenClaw在教育场景的四层进化路径。核心内容包括：L1-L4级教育自动化架构解析、清华OpenMAIC L4级AI课堂深度拆解、从零搭建智能答疑（QQ群机器人）+作业批改+学情分析全流程系统，以及高校网络安全合规部署方案。
功能安全Safety Case构建方法论
本文系统阐述了功能安全认证中SafetyCase的构建方法。SafetyCase是一套结构化论证体系，通过Claim-Argument-Evidence(CAE)逻辑链证明系统安全性，包含系统级、技术安全级和实现级三层论证。文章详细介绍了SafetyCase的核心框架、与FMEDA等验证方法的关系、工程化实施步骤，以及常见失效模式。特别强调SafetyCase连接理论、实现与证据的桥梁作用，是功能安全认证的灵魂文件，要求将分散的安全活动组织成完整的逻辑论证。
十年光阴如梭
十年，一个听起来感觉很长的时间，已经从我身边悄悄地滑过了。一直想写点什么，却也一直也没时间动笔。今天捡了个周末，就随点写点流水文吧，写到哪儿算哪儿。01 职场首站我是 2010 年硕士毕业...
SAP DRC 是什么？一文读懂 SAP Document and Reporting Compliance 的定位、架构与落地案例
把视线拉长，会发现SAP DRC的价值并不仅是用来交差的工具。它更像是企业在全球化经营中建设的一套公共底座：既能以最低的重复成本去应对各国不断演进的监管要求，也能为财务数字化与供应链协同提供可信数据回路。依托本地与云的分层职责、与的生态联动、以及按国家不断更新的任务目录，企业可以将合规变成一种标准化、工程化、可持续运营的能力。
硬件工程师面试全攻略：从简历优化到技术面谈的实战复盘
在求职过程中，简历优化与面试技巧是决定能否获得心仪职位的关键环节。从技术原理上讲，一份优秀的简历需要针对职位描述进行关键词匹配，这本质上是一种信息检索与匹配策略，旨在通过精准呈现技术能力提高被筛选的概率。其技术价值在于，它能高效连接求职者与招聘方，降低信息不对称带来的摩擦。在工程实践中，无论是硬件设计、嵌入式开发还是FPGA应用，都需要将项目经验转化为符合STAR法则的结构化描述，并准备好应对技术面试中的深度追问。本文以硬件工程师的视角，系统复盘了从简历撰写到技术面试、谈薪签约的全流程实战经验，为工程师求职
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
【专家访谈】测试专家 - 陈林钧 访谈记录整理汇总
【专家访谈】测试专家 - 陈林钧 访谈记录整理汇总http://www.automationqa.com/uchome/space.php?uid=1&do=blog&id=858
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
欢迎加入【亿能测试快讯】邮件列表！
TIB自动化测试快讯，不定期发送自动化测试相关新闻、文章、资料、沙龙活动信息。 邮件列表地址：automationqa003@groups.163.com点击链接加入邮件列表：http://163.fm/17jBHlI专业自动化测试资讯网www.AutomationQA.com
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');```[](https://bitdeli.com/free "Bitdeli Badge")
工作室深圳区成员聚会
上周在深圳科技园与自动化测试工作室的几个核心成员聚会，从技术聊到人生，从生活聊到工作，从公司聊到事业。。。 文青山果然是个才子，样子长得文质彬彬的，说话也很斯文 金玉辉打算将他这几年研发的自动化测试工具开源出来，期待！ 贾江兵要去成都发展，我也很看好成都的软件测试发展，支持！ 后来易德财讲完课和张志会也一起过来吃晚饭，那个面是不错，但是服务水平不怎么样，呵呵。。。
广东软件测试交流群
广东软件测试交流群:187596039
初步定下周到长沙拓维进行一次技术交流
初步定下周到长沙拓维进行一次技术交流
2014年6月5日 深圳 IBM 安全解决方案会议通知
2014年6月5日 深圳 IBM 安全解决方案会议通知http://gdtesting.com/news.php?id=191时间：2014年6月5日 地点：深圳大中华喜来登 议程： IBM安全产品解决方案概述移动环境的安全建设综述Security for Mobile下一代SIEM -- IBM安全智能解决方案 (SIEM & SOC)华为网络安全解决方案实践企业应用安全威胁的全方位思考下一代的
下周在上海
下周在上海要逗留1周左右的时间，培训、技术交流、拜访好友！
北京沙龙 新加入一位自由主题嘉宾主持 ！
新加入一位自由主题嘉宾主持：楚建欣 HP高级自动化咨询专家主持讨论的自由主题：《自动化测试平台设计》http://www.automationqa.com/uchome/space.php?do=event&id=6
深圳沙龙 - QTP自动化测试的技术心得
深圳沙龙 - QTP自动化测试的技术心得：http://automationqa.com/uchome/space.php?do=event&id=3
总结和积累很重要
晚上与文青山吃了长沙米粉、在酒店里畅聊了一下。文青山是个很有文采的人，喜欢读史，在测试方面有很强的领悟力和思维能力，获知他最近也在看探索式测试方面的书和资料，因此和他在这方面深入地探讨了一些内容。另外，也聊到自动化测试、性能测试的很多东西，并且邀请他最近一两个月在深圳搞个沙龙，与大家分享他在软件测试方面的心得体会。期间我们还聊到如何才能更快地提高自己的测试能力，发现总结和积累是非常重要的，只有不断
广州沙龙-《测试开发》
广州沙龙-《测试开发》:http://www.automationqa.com/uchome/space.php?do=event&id=10
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
585
扫一扫
