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
800+累计阅读
887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
测试点包含：
1，基本功能性的
2，易用性的
复制/粘贴账号、密码、验证码
键盘Tab切换焦点、enter登录
前后端是否对字符畅度有限制
兼容性测试：不同种类浏览器、不同版本浏览器、不同设备
3，安全性的
密码是否加密
软件测试面试过程中常见的问题-论登录功能用例设计
测试用例设计：考察测试人员在用例设计方面考虑是否全面，以及对测试需求的分析能力； 最常被问到的，现在软件有一个登录模块，有用户名和密码，以及登录按钮，请你来设计测试用例； 首先说一下我的经历： 目前参加了5场面试，没有收到一个offer, 几乎每一场面试都会被问到这个问题，第一次我的回答是这样子的： （面试官说给我两分钟，让我写一个登录功能的测试用例，登录界面只有用户名，密码和登录按钮，面试官还说...
LINUX：【Mysql】切换用户&登录
1.启动mysql服务：service mysqld start2.查看mysql服务状态：service mysqld status3.停止mysql服务：service mysqld stop1.登录命令 然后输入密码即可3.1.ERROR 2002 (HY000): Can't connect to local MySQL server through socket '/tmp/mysql.sock' 解决办法：我遇到这种情况是因为我自己创建的my.cnf文件中的配置有问题，固在配置
selenium+python针对登录功能的用户名，密码和断言组合进行的测试
学习selenium+python过程中，针对本公司网站的登录
spring boot 集成case单点登录_开源 SSO 单点登录认证系统，支持与 Nginx 直接集成...
大家好，我是你们的章鱼猫。今天推荐一个比较正规的开源项目，每个公司基本都会有类似的系统，那就是登陆系统。Authelia 是一个开源的认证系统，目前支持双因素认证和单点登陆 SSO 认证，SSO 登陆是有 Web 界面支持的。它可以很好的与反向代理进行集成，比如 nginx，Traefik，HAProxy 等，对于通过这些反向代理的服务，如果没有通过认证将会把页面重定向到登陆页面。Authelia...
Chapter 19 Digital Phase-Locked Loops
数字锁相环 Digital Phase-Locked Loops, 就是根据原来时钟信号, 产生新的时钟信号, which is locked or synchronized. (align 参考时钟边沿 or 在中间)
【项目实战】Qt6 录制屏幕、录制声音生成MP4、AVI、MA3等（完整源码，可直接编译使用）
本文将详细介绍如何利用Qt6多媒体模块中的QMediaCaptureSession、QMediaRecorder、QScreenCapture、QAudioInput、QMediaFormat等功能，实现对屏幕和声音的录制，并生成常见的媒体格式文件，如MP4、AVI、MA3等。我们将探讨如何利用这些功能来实现灵活的视频和音频参数设置，以满足不同需求下的录制和生成要求。我们将重点讨论如何配置视频和音频参数，包括分辨率、帧率、编解码器选择、音频采样率、声道设置等。
定义一个登录的测试用例类Case（使用类与对象的方法）
4、定义一个登录的测试用例类Case 属性：用例名称 用例步骤 预期结果 实际结果 方法：运行用例、用例结果(比对预期结果和实际结果是否相等) 实例化2个测试用例 ，并运行用例 ，呈现用例结果 print('*******************************第四题***********************************************') class Case: # 定义一个用例类名 usename = 'woshijinyao300' # 类属性
STM32F103C8T6与OV7670摄像头在TFT屏上的实时数字识别系统实现
本文详细介绍了基于STM32F103C8T6单片机和OV7670摄像头实现实时数字识别系统的全过程。系统通过图像采集、预处理、二值化和模板匹配算法，在TFT屏上实时显示识别结果，并针对资源受限的单片机环境提供了内存与性能优化策略，适用于智能家居、工业仪表读数等低成本嵌入式视觉应用场景。
什么是用例？
用例 = 谁 + 做什么 + 如何做 + 异常处理它不是代码，也不是界面设计，而是对系统行为的抽象描述，帮助团队从用户角度理解系统应该如何工作。无论是敏捷开发还是传统开发模式，用例都是需求分析阶段的重要产出物。如果你使用禅道这类项目管理工具，可以在“测试”模块中创建“测试用例”，其灵感就来源于这里的“用例”概念，只是更侧重于验证功能是否正确。
二、租用AutoDL服务器与连接教程
点击右上角控制台，选择【租用新的实例】；，我这里使用的是xshell和xftp工具（自行下载）。打开本地目录和服务器目录，直接拖动文件。
微信小程序scroll-view，点击menu，滚动到锚点；滚动到锚点，激活menu。
首先看看效果图1、首先是点击菜单，滚动列表，这个实现比较简单。直接使用scroll-view 的 scroll-into-view属性，小程序文档。<view class='container'> <!-- 菜单 --> <view class='menu'> <ul> <!-- scrollList 修改cate --&g...
软件测试实例：登录功能怎么设计测试用例
软件测试到底怎么设计测试用例？测试用例需要设计那些方面的环节？带着问题小编为你分享软件测试实例，登录功能怎么设计测试用例。
如何用Python实现SPEI指数计算？从数据准备到结果可视化完整指南
本文提供了一份完整的Python实现SPEI指数计算指南，涵盖从数据准备、潜在蒸散量计算到结果可视化的全流程。详细介绍了使用Thornthwaite方法计算PET、拟合三参数log-logistic分布以及标准化转换的核心算法，并提供了模块化代码和可视化方案，帮助用户构建可复用的干旱分析工具。
登录功能通用测试用例设计
登录功能通用测试用例 具体需求： 有一个登录页面，有一个账号和一个密码输入框, 一个提交按钮。 请针对这个页面设计Test Case。 此题的考察目的： 1、了解需求（测什么都是从了解需求开始）； 2、是否有设计Test Case的能力 3、是否熟悉各种测试方法； 4、是否有丰富的Web测试经验； 5、是否了解Web开发； 了解需求： 测试需求分析过程，可以从...
【Python_PySide6学习笔记（二十四）】菜单栏QMenuBar类的基本用法
此篇文章中介绍 PySide6 中 QMenuBar 类的基本用法，包括"创建菜单栏"、"创建一级菜单"、"创建二级菜单"等，会持续更新，有需要的读者可以点赞收藏，也欢迎在评论区进行讨论。
腾讯Android开发面试指南与参考答案
腾讯深圳元宝高级Android开发工程师岗位要求3-5年Android开发经验，熟悉Kotlin和性能优化，具备架构设计能力。岗位职责包括元宝Android客户端研发、稳定性优化及跨团队协作。面试重点考察Kotlin、Jetpack Compose、多线程编程等核心技术，3轮线上面试流程较快。无AI项目经验也可应聘，需突出展示Android架构设计、性能调优等实战能力。建议准备Compose开发、算法等加分项案例。
Agent安全测试：如何设计攻击Case库
本文探讨了构建Agent系统安全攻击Case库的必要性与方法。针对Agent系统模型行为随版本变化的特点（如Prompt调整、工具新增等），提出需要建立可重复、可回归、可自动化的安全测试机制。文章详细介绍了安全Case库的结构化设计（包含用例编号、攻击类型、攻击输入和期望行为等字段），列举了Prompt注入、工具注入、数据泄露和权限绕过等常见攻击类型，并建议以JSON/YAML/CSV格式维护案例库。通过持续执行安全回归测试，可有效验证安全边界，防范模型升级带来的风险，提升系统稳定性。
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
转-登录功能通用测试用例设计
https://www.cnblogs.com/jpr-ok/p/6418492.html 登录功能通用测试用例 具体需求： 有一个登录页面，有一个账号和一个密码输入框, 一个提交按钮。 请针对这个页面设计Test Case。 此题的考察目的： 1、了解需求（测什么都是从了解需求开始）； 2、是否有设计Test Case的能力 3、是否熟悉各种测试方法； 4、是否有丰富的...
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")
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。
Day18_Case案例注意的点
1.登录功能：
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
登录功能通用测试用例
登录功能通用测试用例 具体需求： 有一个登录页面，有一个账号和一个密码输入框, 一个提交按钮。 请针对这个页面设计Test Case。 此题的考察目的： 1、了解需求（测什么都是从了解需求开始）； 2、是否有设计Test Case的能力 3、是否熟悉各种测试方法； 4、是否有丰富的Web测试经验； 5、是否了解Web开发； 了解需求： 测试需求分析过程，可以从质量要求出发，来展...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
7157
扫一扫
