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
400+累计阅读
475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
下载的Loadrunner11版本
用的系统是WIN10+IE11，点击 “开始录制”后就一直停在那，测试的网页（URL地址那个）也弹不出来，默认的IE浏览器，录制事件一直是0，
在网上搜了很多方法都试过了，都没有用
后来不知道用了什么办法测试的网页弹出来了，但是录制事件一直是0，
而且网上很多评价说Loadrunner11 只能在WIN7+ IE8环境运行，
想想应该是版本不兼容问题。
最后不甘心下载了火狐浏览器（最新版本），
刚开始，测试的网页（URL地址那个）弹不出来，浏览器启动不成功，就是快闪一下就没了，录制事件一直是0，
点击 “开始录制”后，测试的网页弹出来了，是个登录界面，输入账号密码点确定进入，（默认的IE浏览器改为火狐浏览器），但是录制事件一直是0，
想看看浏览器在后台运行如何，结果发现浏览器开了3、4个进程，于是把火狐浏览器的进程全部关闭，
把浏览器前台（窗口）也关闭，
居然好了。。。。
Loadrunner
loadrunner自带订票系统脚本调试
以下学习过程来自b站视频 首先分析整个订票过程，可以根据步骤分成以下7个action： open_index submit_login into_flight find_flight select_flight pay_flight sign_off 需求信息： 账号、出发和返回时间需做参数化（与服务器返回信息没有关系的可以做参数化）；usersession、出发城市和到达城市、班次 需关联（与服务器返回信息有关的做关联，便于脚本维护。usersession、出发城市和到达城市、班次都是服务器定好的）（关联
用性能测试工具loadrunner，这些问题一半的人遇到过！
知道如何利用得到的分析报告分析出系统存在的瓶颈?对于产生的性能报告不知道怎么去分析?不不知道如何进行性能调优?只会使用 LoadRunner是做不到的?LoadRunner并不是万能的，是死的，它仅仅只是我们做性能测试的一个工具，还得依靠人去操作与分析.总而言之，会使用LoadRunner的人，并不一定会做性能测试，会做性能测试的人并不一定都会使用LoadRunner。
【loadrunner】调试总结（二）
【loadrunner】调试总结（二）5 自带浏览器的使用6 通过Fiddler协助调试7 其他7.1 查看脚本7.2 查询系统、数据库 本文以loadrunner12为例，loadrunner11与本文操作略微不同。 5 自带浏览器的使用 设置：Tools → options ，选择Scripting → Replay ,然后勾选During replay 下,勾选Show run-time viewer during replay 及 Auto arrange window. 回放脚本时，可调
LoadRunner12录制为空：录制选项配置时，选的是IE浏览器，但点击录制时，IE浏览器只是闪现了一下，然后界面随机跳转跳转到了Edge浏览器，导致录制脚本失败。
1、选择录制——录制选项——找到网络→映射和筛选→捕获级别选择：套接字级别数据和WinINET级别数据。3、也许是打开的网页干扰了你要录制脚本的网页，建议把浏览器关闭后再重新录制，这样就可以录制脚本了。2、打开Fiddler录制。
LR第一次无法正常录制解决方法
从网上下载的资料，然后自己和同事安装过程中遇到的问题解决方法也一起加进去了，希望大家遇到新的问题解决方法留言 我以后好丰富下
别再问ARM麒麟怎么装微信了！手把手教你用铠大师搞定Windows软件（飞腾/海思芯片实测）
本文详细介绍了如何在ARM架构的信创电脑（如飞腾/海思芯片）上使用铠大师安装和运行Windows软件，解决微信、Office等常用软件的兼容性问题。通过实测数据对比，铠大师在性能和易用性上显著优于传统方案，为麒麟系统用户提供了一套完整的解决方案。
LoadRunner的简单使用《第一篇》
LoadRunner的简单使用《第一篇》 LoadRunner是一个用压力测试的软件。这东西比较难上手，光安装就非常麻烦。好不容易一步步跟着安装说明安装好之后，还是用不了。 记录一个问题如下： 导入脚本的时候报错fail to create on...
自动驾驶开发者必看：如何用Impromptu VLA数据集提升模型在乡村道路的表现（附实战代码）
本文为自动驾驶开发者提供了利用Impromptu VLA开源数据集提升模型在乡村道路等极端场景表现的实战指南。该数据集专门针对边界模糊道路、非常规障碍物等非结构化环境，通过精选的8万多个极端场景片段，帮助模型弥补数据分布偏差。文章详细介绍了环境搭建、数据准备、模型微调及性能评估的全流程，并附有实战代码，旨在系统性提升自动驾驶系统在长尾场景下的鲁棒性。
LoadRunner专题系列——LoadRunner脚本调试
LoadRunner专题系列——LoadRunner脚本调试 内容简介 在脚本录制完成后或者手工编写脚本后，我们需要对脚本进行调试运行，脚本调试的过程类似于程序的调试，可以设置断点，按步骤执行等等；脚本调试作为脚本 开发 的一个重要的过程，是非常重要的，只有通过调试的脚本才能加载到控制台运行；跟脚本调试 内容简介 在脚本录制完成后或者手工编写脚本后，我们需要对脚本进行调试运行，脚本调试
Xiaojie雷达之路---毫米波雷达基础知识---角度估计
本篇文章主要介绍毫米波雷达的基础知识中的角度估计，对于本篇文章主要回答5个问题 1.在雷达的前方，如何估计前方一个物体的角度 2.角度测量的准确性 3.如何测量多个物体的角度 4.雷达可测的角度的视场最大值为多少 5.角度分辨率取决于什么因素 文章目录估计雷达前面一个物体的角度角度测量的准确性雷达的最大角视场测量雷达前方多个距离和速度相同的物体角度分辨率角度估计的流程 估计雷达前面一个物体的角度 估计一个物体的角度，最少需要两根接收天线 发射天线发送一个chirp，经过物体发射后信号，信号分别被第一根天
第一节：Vben Admin 最新 v5.0 (vben5) + Python Flask 快速入门
vben5 快速入门。 Vben Admin 框架新出的版本V5.5.4，而之前的Vben Admin 2.x 目前已存档，仅进行重大问题修复。之前在2.x版本曾经简单完成了一版专栏文章，当时也是收获了一些好评和建议。本次决定在v5 版本基础上再完成一次前后端的搭建。希望大家继续多多支持。项目精简后，再次启动项目，执行 pnpm run dev点击登录，可以看到接口报错，现在前端请求的后端有报错，下一节处理这部分逻辑。
LoadRunner VuGen脚本调试
在开发过程中，可以通过断点、打印日志等方法调试代码。在LoadRunner VuGen中，也可以通过一些方法来调试脚本。
loadrunner（1）----http请求调试以及loadrunner与Filddler抓包
使用loadrunner直接编程调用http接口，需要关注请求参数与接收参数进行调试，本次就是为了方便调试记录的两个方法 （1）loadrunner自身日志记录 （2）Fiddler抓包 1、loadrunner自身日志记录 路径：Vuer----Run Time Settings----Log （1） Enable logging启用日志记录 如果选中该选项
Eplan设计师必会—伺服安全回路的设计方法
本文介绍了在EPLAN中设计伺服STO安全回路的方法。首先需查阅伺服驱动器说明书确定STO接线端子，重点关注双通道配置。设计步骤包括：使用黑盒子功能绘制驱动器外形，正确标注STO接线点，并连接安全继电器或PLC的安全输出。关键注意事项有：必须采用双通道独立布线，确保同步动作，遵循故障安全原则，使用常闭触点串联回路。文中以西门子V90和汇川伺服为例说明具体接线要求，并附有项目实例参考。
Python爬虫：抓取外卖平台餐厅菜单、价格与评价数据
美团外卖：国内领先的外卖平台之一，提供餐饮外卖、超市配送等服务。饿了么：另一大主流外卖平台，覆盖广泛的餐饮品类。等：国际性的外卖平台。在本文中，我们将以美团外卖为例，展示如何抓取餐厅的菜单、价格和评价等数据。我们会使用Python的爬虫库，如Scrapy和Selenium，来解决抓取任务。本文详细介绍了如何使用Python爬虫抓取外卖平台上的餐厅菜单、价格、评价等信息。我们展示了如何使用Scrapy和Selenium抓取静态与动态网页数据，如何清洗和存储数据，并讨论了如何应对外卖平台的反爬虫机制。
LoadRunner脚本调试与回放
脚本录制成功后，回放脚本时， 并不一定能够直接回放成功，可能是由于找不到资源文件、或者缺少参数等多种原因。 一、Script模式进行脚本调试，通用的脚本调试可参考以下几点： 1、去掉无关代码，非被测系统url的请求都可以去掉，比如浏览器相关代码； 2、在不考虑思考时间的情况下，thinktime都可以去掉； 3、与被测业务功能点无关的请求。 例如需要测试的场景如下，首先通过学籍号和
【科研数据获取】根据Excel表个中的企业/公司信息批量获取经纬度坐标，并进行地图可视化
批量获取企业/公司的经纬度坐标，并进行地图可视化1 需求2 实现途径3 需求逐步实现 1 需求 在做项目的时候，老板或者项目答辩时候甲方最喜欢看到的就是可视化结果，尤其是涉及到地图可视化。很多时候会遇到企业/公司的数据，想要做地图可视化，必不可少的就是要获取它们具体地址：第一种就是像查户口一样精准一下具体的城镇街道，还有一种就是经纬度信息，前一种属于文字内容往往用于管理方面，第二种数字信息多用于数据处理与分析。 2 实现途径 获取地理信息数据，自然需要使用到地图的功能，这里直接采用百度地图的拾取坐标系统，
LoadRunner脚步调试，基础功能学习
这里只是简化版，方便我回忆。一点点补充，看到的都不尽完善如果想仔细学习请到 网易云课堂搜索 蜗牛学院 然后有一个性能测试，这个视频免费，质量很高。强子老师的很多视频，讲解的很清楚也很专业是我进入测试行业的启蒙在这里谢谢，蜗牛学院的强子老师！祝你身体健康，事事顺心！一、参数化这是我录制出的部分脚本，是关于登录百度账号我要把我的用户名:画雨江南 进行参数化在Insert--New Parameter ...
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
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")
三款性能测试工具kylinPET、LoadRunner、Jmeter在脚本录制与调试上的差异性
软件的性能测试活动离不开性能测试工具的支持。国外常用的性能测试工具有:loadRunner(商用），Jmeter(开源），国内做的比较好的国产性能工具有kylinPET。性能测试工具的录制和调试是能力的高低，是判断性能测试工具优劣重要指标。下面笔者通过实例来分析一下这三款知名本和调试上的差异点。 测试工具选：Jmeter ...
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
【原创】如何在LoadRunner中进行测试脚本录制开发与调试
如何在LoadRunner中进行测试脚本录制开发与调试 指导手册 （本文按照LoadRunner 8.1版本软件进行编写） 本文对在应用LoadRunner软件进行性能测试脚本调试时使用到的方法，总结形成分析操作指导手册，以指导测试人员进行相关操作。 1. 为什么要录制测试脚本 在实际性能测试工作开展过程中，由于程序版本变更等诸多原因，会引起测试脚本变动频繁...
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
LoadRunner Cloud高阶脚本调试技巧：提升测试效率的专业指南
本文针对LoadRunnerCloud用户，深入探讨高阶脚本调试技巧。内容涵盖：1）利用动态断点、实时监控和多线程调试优化基础调试；2）处理参数化、关联规则及第三方集成的复杂场景策略；3）通过资源监控、分段计时识别性能瓶颈；4）云环境专属技巧如远程调试和AI辅助分析。文章强调预见性和自动化，帮助测试人员提升脚本可靠性，适应DevOps环境需求，最终支撑高性能应用交付。
loadrunner订飞机票录制脚本及脚本调试
1.先创建一个脚本，选择web-http/html 2.点录制按钮录制，并设置相关选项。URL address 填要录制的网页，该案例填写http://127.0.0.1:1080/WebTours/ ，点击recording options ...
loadrunner的安装
Loadrunner：作为商用性能测试工具的地位，无人能替代，大客户都是一些电信、金融行业 mercury-->HP(软件测试的商用工具-lr、uft、alm)-->microfocus。 一、loadrunner的安装 1、安装的基础环境 基本上的win10系统，电脑也是最近三五年的都可以安装。 内存推荐8g+ 2、安装过程 因为是商用软件，基本上直接下一步即可。 1、d盘下创建一个Loadrunner的文件夹，路径上不允许出现中文、空格或特殊字符。 2、安装之前，关闭电脑的
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
4190
扫一扫
