FIT FOR DOT NET(2)----

最新推荐文章于 2025-07-30 01:00:00 发布
原创 最新推荐文章于 2025-07-30 01:00:00 发布 · 1.1k 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#文档 #测试 #html #框架 #工具 #工作

 本文来源 http://fit.c2.com/wiki.cgi?ProgrammersQuickStartGuide,基本上是翻译了原来的文档.

Programmers Quick Start Guide


(work in progress)

     客户的参与对软件成功是关键的.最为一个程序员,你需要一种方法来理解你的客户的需求,因此你才能写出很好的软件.FIT为你和你的客户提供了一种方法来精确的交流和协作.

    在它的核心中,FIT只是一个非常简单的工具.它是一个“为集成测试的框架“,也就是说,它是一个翻译HTML编写的文档,在你的软件上运行他们,然后以HTML格式报告结果的框架.这些是你的客户编写作为例子的测试.用来钩住这些测试到你的软件中的fixture则由你来编写.

.  FIT的简单掩盖了它的实用性.尽管FIT运行测试,但是他不关于测试.它将给你的客户一种你的软件作什么的方法.以及给你一种你和你客户讨论详情的途径.

 因为FIT可以读写HTML,又因为Word和类似的商业工具可以读写HTML,所以你的客户可以直接FIT文档.这是至关重要的.徐徐求文档的问题是他们通常不是由客户来编写的.甚至客户很少阅读他们.

    结果,我们失去了珍贵的协作机会.这种事情不计其数...对于大项目也是如此.每个我们错误的详情就是软件中的一个Bug.我们需要一种方式让客户考虑细节,并且和我们一起讨论.

   FIT是一种方法.他允许客户停工正确行为的实例,并且看软件利用这些实例可以作甚么.他允许客户拥有这些实例.这是非常重要的.鼓励他们这样去做.给他们反馈和他们将得到的控制.客户的参与对软件成功来说非常重要.FIT将帮助你得到这组些,如果你这样去做,你的软件会更好.

 使用FIT和客户一起工作

    使用FIT的一大部分是帮助客户参与,因此你应该从阅读IntroductionToFit 和CustomersQuickStartGuide.开始.注意FIT的生命周期,查找你能帮助客户参与的方式,从程序员的角度上,本节不会反映CustomersQuickStartGuide .

  当你开始开发一个新的特性时,你应该和你的客户讨论(在这里,对于“客户“,我们是指:“从业务的角度上说,知道特性最多的人“,“有些人称他们为'主题事件专家“)通过百板收集,倾听客户的解释.然后要求他/她描述特性使用的例子.

   许多客户更乐意讨论应用程序的界面,而不是底层的需求.在初期,你可能得到用户讨论的例子,而不是底层的业务规则.这些例子模糊了客户的真正的需要,并且他们非常难以编写和维护.
你应该逐步掌舵你的客户朝讨论围绕业务规则的例子的方向上去.例如,如果客户说“会计师按这个按钮,软将会得到一个时间卡,然后计算雇员的薪资“,你可以问时间卡和最后薪资的例子.

   你的客户描述例子,你应该尽可能的想问题.利用这些问题得到描述问题答案的额外例子.有时候你的客户不知道,或者被这个问题缠绕住.在这种情况下,把它放在一边.

你有一些关键例子后,帮助你的客户把例子转化为表.努要试着表格现在就和FIT Fixture工作.(下面有更多的fixture),得到例子.一旦你对表感到满意,重新定义他们的格式,使你能容易的用FIT实现.在你做的时候,当心不要遗漏了客户的观点.

   你实现特征时,你肯会跨过实例没有覆盖到的问题.把这些问题反馈给客户,和前面一样,使用他们帮助你指导客户产生额外的例子.

get the answer by adding a new example to a Fit document. FIT不仅是从客户得到详情的途径,也是你的客户从你的程序里得到反馈的方法.向你的客户展示如何使用FIT,描述他/她如何对FIT作出改变,返回FIT,和查看结果.这将允许你的客户试验和产生更多的例子.你想让你的客户说:“我想知道软件如何处理这种情况...?“,然后通过在FIT文档增加额外的例子来得到答案.
                          (------未完-----)

t-SNE原理与推导
scott198512的博客
09-19 10万+
t-SNE降维的机器学习算法、流形学习、算法原理及代码实现
PyTorch与Scikit-Learn实战：构建分类模型——第2章
fengbeely的博客
07-06 1280
x。
K-Means详解
Ἥλιος
08-27 2422
K-Means详解 第十七次写博客，本人数学基础不是太好，如果有幸能得到读者指正，感激不尽，希望能借此机会向大家学习。这一篇文章以标准K-Means为基础，不仅对K-Means的特点和“后处理”进行了细致介绍，还对基于此聚类方法衍生出来的二分K-均值和小批量K-均值进行了延伸。 标准K-均值（K-Means）算法简介 　　标准K-均值（K-Means）使用贪心法对优化目标进行迭代优化...
scikit-learn决策树类库函数介绍
lezerodead的博客
12-08 2764
本文是参考了刘建平老师的关于scikit-learn对应决策树算法类库函数的介绍以及《机器学习实战》中对决策树可视化代码的学习。有兴趣的可以多去仔细阅读。刘建平-scikit-learn决策树算法类库介绍因此在文章中，将学习如何使用决策树进行训练、可视化和做出预测开始。然后，外面将了解scikit-learn使用的CART训练算法。scikit-learn决策树算法类库内部实现是使用了调优过的CART树算法，即可以做分类，又可以做回归。分类决策树对应的是，而回归决策树的类对应的是。
ORB-SLAM2系列第五章—— 特征匹配
weixin_45947476的博客
04-06 6450
系列文章目录 ORB-SLAM2系列第一章——简介 ORB-SLAM2系列第二章——ORB 特征点提取 ORB-SLAM2系列第三章—— 地图初始化 ORB-SLAM2系列第四章—— 地图点、关键帧、图结构 文章目录系列文章目录前言一、单目初始化中的特征匹配二、通过视觉词袋进行特征匹配1.直观理解词袋2.为什么要研究BoW？3.如何制作、生成BoW？总结 前言 迎浏览我的SLAM专栏，包括slam安装运行、代码注释、原理详解，一起加油淦穿SLAM。 一、单目初始化中的特征匹配 初始化搜索匹配，对应函数
python-scikit-learn基础
weixin_57194935的博客
10-16 2085
python-scikit-learn基础
Scikit-Learn系列：BaseEstimator类实践指南
neweastsun的专栏
02-17 1659
为了说明这一点，让我们通过扩展‘ BaseEstimator ’和‘ ClassifierMixin ’（另一个标准化分类任务的scikit-learn模块）来实现一个简单的自定义分类器。我们的示例将涉及一个“均值预测器”，它根据训练期间观察到的大多数类对新实例进行分类。这个模型很简单，但是可以作为理解自定义估算器创建的一个很好的开始框架。
K均值算法（K-means）聚类
热门推荐
PyRookie
08-21 11万+
1. K-means算法 2. KMeans(n_clusters=3) 3. K-means的中心点 4. centers = kmeans.cluster_centers_ 5. 坐标轴中文显示问题 6. 坐标轴字体、负号还原问题 7. 3D绘图 8. from mpl_toolkits.mplot3d import Axes3D 9. 建立坐标系 10. ax = plt.subplot(projection='3d') 8. make_blobs生成有中心点的数据
K-means原理、优化及应用
weixin_42029738的博客
08-23 9万+
　K-Means算法是无监督的聚类算法，它实现起来比较简单，聚类效果也不错，因此应用很广泛。K-Means算法有大量的变体，本文就从最传统的K-Means算法讲起，在其基础上讲述K-Means的优化变体方法。包括初始化优化K-Means++, 距离计算优化elkan K-Means算法和大数据情况下的优化Mini Batch K-Means算法。 1. K-Means原理初探 　　　　K-Me...
机器学习实践：使用 scikit-learn 实现 Kaggle 医学影像分类任务
编程技术探索者，分享C/C++、C#、Java、数据库等开发经验，聚焦实战技巧与AI兴趣，助力编程爱好者成长。
07-29 1400
本文介绍了如何使用scikit-learn完成Kaggle乳腺组织病理学图像分类任务。重点包括：1)通过Kaggle API获取包含27.8万张50x50像素图像的数据集；2)采用随机采样处理大数据集；3)提取颜色直方图、灰度共生矩阵和HOG特征降低维度；4)使用标准化处理特征；5)划分80%训练集和20%测试集。该方法有效解决了医学影像分类中的高维数据、类不平衡和计算资源限制等挑战，为后续决策树模型构建和优化奠定了基础。
机器学习实践：使用 scikit-learn 对 UCI 乳腺癌数据集进行分类
编程技术探索者，分享C/C++、C#、Java、数据库等开发经验，聚焦实战技巧与AI兴趣，助力编程爱好者成长。
07-29 1284
机器学习实践：乳腺癌分类摘要 本文详细介绍了使用scikit-learn对UCI乳腺癌数据集进行分类分析的完整流程。首先介绍了数据集背景，包含569个样本和30个特征，用于区分良恶性乳腺癌。随后讲解了数据预处理步骤，包括标准化处理和训练测试集划分。在模型构建部分，采用决策树算法并详细说明了优化方法，包括网格搜索超参数调优。结果显示优化后的模型准确率达到96%。文章还提供了特征重要性分析方法，帮助理解关键影响因素。整个过程涵盖了机器学习项目的主要环节，从数据准备到模型评估，为医疗数据分析提供了实用范例。
机器学习实践：使用 scikit-learn 实现 Kaggle 胸部 X 光图像分类任务
编程技术探索者，分享C/C++、C#、Java、数据库等开发经验，聚焦实战技巧与AI兴趣，助力编程爱好者成长。
07-30 1427
机器学习实践：胸部X光图像分类 摘要 本文介绍了使用scikit-learn实现Kaggle胸部X光图像分类任务的方法。该任务旨在区分正常和肺炎的胸部X光图像，数据集包含5,216张训练图像（1,341正常/3,875肺炎）。文章详细阐述了数据预处理流程，包括灰度转换、图像降采样至64×64像素以降低计算复杂度。特征提取采用灰度直方图（16维）、灰度共生矩阵（5个纹理特征）和HOG特征，有效降低数据维度。通过决策树模型构建分类器，并解决了类不平衡问题（肺炎样本占比75%）。
One2Multi Graph Autoencoder for Multi-view Graph Clustering
记录学习历程
05-30 1252
多视图图聚类受到关注，它寻求用，可以提供更全面但更复杂信息的多个视图，对图进行划分。虽然一些方法在多视图聚类方面取得了不错的成功，但大多采用shallow model处理多视图图内部的复杂关系，会限制多视图图信息建模能力。作者首次尝试将深度学习技术应用于属性多视图图聚类，提出了一种新的任务导向的One2Multi图自编码器聚类框架。One2Multi图自编码器能够通过使用一个信息图视图和内容数据来重建多个图视图学习节点嵌入。因此，可以很好地捕获多个图的共享特征表示。
在MFC中的CWinApp得到视图的指针，真难呀（适用于SDI和ＭＤＩ）
Making Best Use Of Anything,Creating Most Value!
12-01 1664
在MFC的SDI和MDI中，你要想从你的CXXXApp（当然是继承于CWinApp了）得到CXXXView（当然继承于CView了）视图指针可不是一件很容易的事情哟，还是很迂回的。下面将介绍如何得到，OK，让我们开始吧。   如果我们要得到视图指针，首先我们要得到指向文档的指针，如何得到文档类的指针，首先我们又要得到文档模板的指针（即CDocTemplate），如何得到文档模板的指针，很简单，就是
好香，方便面
Making Best Use Of Anything,Creating Most Value!
11-03 1659
昨天下班回家，心里有些累，身体也有些累。回到家，发现没人，于是去买菜，买菜回来，正洗菜，电话想起，家人不回来吃饭，唉，一个人吃饭没劲，于是乎跑到楼下买了一包康师傅的方便面，将刚才洗的菜炒了，然后煎了一颗鸡蛋，接着把方便面煮了。然后把所有的东东大杂烩，吃了一口，真是好香，很快就没了。吃完之后就在想，吃方便面都能吃成这个样子，不简单，NB。仔细一想，以及好几个月没吃了，其实偶尔吃一次也不错呀。改善改善
DearBook购书记
Making Best Use Of Anything,Creating Most Value!
12-02 1576
上个礼拜五决定买几本书，于是到China－Pub转悠了一圈，可怜，发现我所要的书没有，于是开始转向DearBook，这是我第一次在上面买，前面都是在China－Pub上买的。 我想，DearBook应该还是不错的，因为凭优快云，我想他的服务和效率应该和China-Pub差不多，甚至更好。 很快，下了订单，买了四本书。顺便在上面要求周六的中午12：00之前送到，第二天，我等到下午两点，还是不见踪影
FIT FOR Dot NET (3)
Making Best Use Of Anything,Creating Most Value!
03-01 1533
接上文. 运行FIT 剩下的文档讨论使用FIT的技术方面.为了得到你的FIT版本的更多信息,参看TechnicalReference.我们快速覆盖了许多方面,因此你也可以在FitDocumentation,看其例子,像SimpleExample. FIT是命令行工具(参看“TechnicalReference.的FIT Command Line“),这允许你在你的脚本里很容易的包含他.
MSDN和VS98
Making Best Use Of Anything,Creating Most Value!
11-22 1531
上个礼拜刚把系统重装了，但是MSDN98没有删除，当我重新安装VS6之后，打开帮助，郁闷，MSDN启动不了，说什么“Unable to display Help”，查了N多资料，最后终于发现了原因。因为MSDN没有重装，所以肯定VS6不能与之关联，那么是什么导致如此那，原来是“vshelp.dll”这个组件没有注册。既然找到了原因，就知道如何做了。搜索一下其位置，然后打开“运行”，用Regsvr3
在VC中Debug下是运行结果正确的，但是在Release下却有错，总算找到原因
Making Best Use Of Anything,Creating Most Value!
10-28 1514
最近，写了个程序，在Debug状态下，结果完全正确，但是在Release下却除了错，为了找到这个错误，花了N长时间，最后总算找到了，为什么，就是没有对变量赋初值。在程序里面有个变量是flaot型，在Debug状态下不用赋值初值是0，但是在Release状态下却不一定。就是这么简单。痛苦。所以以后决定不管是在什么样的语言中，什么样的环境下，什么样的工具下，最好是给变量赋值。不然有的时候查起错来令人摸
RuntimeWarning: overflow encountered in dot grad_weights = (-2 / m) * X.T.dot(y - y_pred)
最新发布
09-28
当代码 `grad_weights = (-2 / m) * X.T.dot(y - y_pred)` 出现 `RuntimeWarning: overflow encountered in dot` 警告，意味着在执行矩阵点积运算时发生了数值溢出。以下是一些可能的解决方法： ### 1. 数据标准化 对输入数据 `X`、`y` 和 `y_pred` 进行标准化处理，将数据缩放到较小的范围，减少数值溢出的风险。例如，可以使用 `StandardScaler` 进行标准化： ```python from sklearn.preprocessing import StandardScaler import numpy as np # 假设 X, y 是你的输入数据 scaler_X = StandardScaler() X_scaled = scaler_X.fit_transform(X) # 如果 y 是连续值，也可以对其进行标准化 scaler_y = StandardScaler() y_scaled = scaler_y.fit_transform(y.reshape(-1, 1)).flatten() # 计算 y_pred ，这里假设已经有预测函数 predict y_pred = predict(X_scaled) m = len(X_scaled) grad_weights = (-2 / m) * X_scaled.T.dot(y_scaled - y_pred) ``` ### 2. 检查数据类型 确保使用的数据类型具有足够的精度，避免使用容易溢出的数据类型。例如，将数据类型转换为 `float64`： ```python X = X.astype(np.float64) y = y.astype(np.float64) y_pred = y_pred.astype(np.float64) m = len(X) grad_weights = (-2 / m) * X.T.dot(y - y_pred) ``` ### 3. 分块计算 对于大规模矩阵，可以将矩阵分块进行点积运算，避免一次性处理大量数据导致溢出： ```python chunk_size = 1000 # 分块大小 grad_weights = np.zeros(X.shape[1]) for i in range(0, len(X), chunk_size): end = min(i + chunk_size, len(X)) X_chunk = X[i:end] y_chunk = y[i:end] y_pred_chunk = y_pred[i:end] m_chunk = len(X_chunk) grad_weights += (-2 / m) * X_chunk.T.dot(y_chunk - y_pred_chunk) ``` ### 4. 调整学习率或正则化 如果是在梯度下降等优化算法中使用该梯度计算，可能是学习率过大导致梯度值过大。可以尝试减小学习率，或者添加正则化项来约束参数的更新。 ### 5. 检查数据范围 检查输入数据 `X`、`y` 是否存在异常值或不合理的数值。如果存在异常值，可以进行数据清洗或截断处理。 ### 6. 梯度裁剪 在计算梯度后，对梯度进行裁剪，限制梯度的最大值，避免梯度爆炸： ```python m = len(X) grad_weights = (-2 / m) * X.T.dot(y - y_pred) # 梯度裁剪 max_grad = 1.0 grad_weights = np.clip(grad_weights, -max_grad, max_grad) ``` 通过以上方法，可以有效解决 `RuntimeWarning: overflow encountered in dot` 警告。
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
 
红包 添加红包
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