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
1k累计阅读
1k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
Selenium (SeleniumHQ) 是 thoughtworks公司的一个集成测试的强大工具。
一、Selenium 的版本
Selenium 现在存在2个版本，一个叫 selenium-core, 一个叫selenium-rc 。
selenium-core 是使用HTML的方式来编写测试脚本，你也可以使用 Selenium-IDE来录制脚本，但是目前Selenium-IDE只有 FireFox 版本。
Selenium-RC 是 selenium-remote control 缩写，是使用具体的语言来编写测试类。
selenium-rc 支持的语言非常多，这里我们着重关注java的方式。这里讲的也主要是 selenium-rc，因为个人还是喜欢这种方式.
下图是Selenium IDE的运行界面截图：
RML2016.10a （CNN、LSTM、CNN-LSTM、CNN-LSTM-Multi-head-attention, TensorFlow）
RML2016.10a （CNN、LSTM、CNN-LSTM、CNN-LSTM-Multi-head-attention, TensorFlow） 包含所有数据和代码，支持一键运行（jupyter）
element ui input视图没刷新_[Selenium自动化测试实战] 如何在UI自动化测试中加入REST API的操作...
问题当我们描述一个“好的自动化测试用例”时，经常出现标准是：精确。自动化测试用例应该测试一件事，只有一件事。与测试用例无关的应用程序的某个部分中的错误不应导致测试用例失败。独立。自动化测试用例不应该受测试套件中任何其他测试用例影响。快速。这不需要太多的解释。自动化测试用例套件运行得越快，它就越有用。这些标准在Selenium测试套件中可能特别具有挑战性。原因在于，Selenium的UI自动化测试通...
基于大疆TSDK与Pix4D的热红外数据工程化处理：从RJPG到温度正射影像的完整工作流
本文详细介绍了基于大疆TSDK与Pix4D的热红外数据工程化处理完整工作流。通过Python脚本自动化解析RJPG格式的热红外图像，提取并转换其中的原始辐射数据为包含真实温度信息的TIFF文件，再结合Pix4Dmapper进行批量拼接，最终生成可直接用于GIS分析的温度正射影像图。该流程解决了手动处理效率低下、参数校准复杂等难题，实现了从原始数据到定量分析成果的高效、准确、可重复生产。
Selenium 使用介绍
网站：JavaEye 作者：yananay 发表时间: 2007-07-31 12:43 此文章来自于 http://www.iteye.com 声明：本文系JavaEye网站原创文章，未经JavaEye网站或者作者本人书面许可，任何其他网站严禁擅自发表本文，否则必将追究法律责任！ 原文链接： http://www.iteye.com/topic...
Unity 数字孪生实战：PiXYZ Plugin工业模型高效处理指南
本文是Unity数字孪生实战指南，重点介绍了如何使用PiXYZ Plugin高效处理工业CAD模型。针对工业模型导入Unity时面临的格式壁垒、数据爆炸和资产混乱等核心痛点，文章提供了从环境安装、基础导入到智能减面、资产清理的完整解决方案，并分享了预设自动化、运行时导入等高级技巧与性能优化策略，帮助开发者快速打通工业设计与实时交互流程。
(第七章)FAST开发方法
摘要： FAST是一种轻量级、业务驱动的系统分析与开发框架，适用于中小型项目，强调快速交付和组件化开发。其核心包括8个阶段：范围定义、问题分析、需求分析、逻辑设计、决策分析、物理设计、构造测试和安装发布。特点为结构化、用户参与、迭代渐进，适合需求明确且需快速交付的项目。与RUP（重量级）、敏捷（极轻量）相比，FAST更侧重业务分析和模块化开发。软考中可通过口诀“范围问题求逻辑，决策物理构发布”记忆阶段，并掌握五大开发方法（瀑布、原型、FAST、RUP、敏捷）的核心区别及适用场景。
集成测试工具－Selenium
Selenium 能被选为最好集成测试、回归测试方案，是因为： 1.Selenium IDE ，一个FireFox plugin，能自动记录用户的操作，生成测试脚本。 2. 生成的测试脚本可以用Selenium Co...
基于STM32F1XX 、HAL库的OPT4001-Q1环境光传感器驱动应用C语言程序设计
OPT4001-Q1 的输出是半对数 的，具有 9 个二进制对数满量程照度范围，每个范围内具有高度线性响应，使得 PicoStar™ 型号的测量能力为 312.5μlux 至 84klux，USON 型号的测量能力为 400µlux 至 107klux。// 禁用中断(示例)
【软件测试】自动化测试selenium
目录 一、自动化测试 1，什么是自动化测试 2，自动化测试方法 二、如何实施自动化测试 1，自动化测试的适用对象 2，什么时候实施 3，如何实施自动化测试 三、selenium 1，什么是selenium 2，selenium+python环境搭建 3，安装chrome driver 4，测试 一、自动化测试 1，什么是自动化测试 自动化测试指软件测试的自动化，在预设状态下运行应用程序或者系统，预设条件包括正常和异常，最后评估运行结果。将人为驱动的测试行为转化为机器执..
复旦微实现串口在线升级BOOT.BIN
将该 demo 生成的 app（升级用）和 fsbl、最简化 bit 文件(可选)打包成 BOOT.BIN，作为 golden image 烧写在 qspi flash 偏移 0 地址开始的位置，其中最简化 bit 文件为在线升级功能提供必要的物理通道(如果不需要，可以不打包该文件)，golden image 一旦发布基本不需要进行升级，由该 golden image 负责和上位机进行通信交互，完成业务 app、业务 bit 文件、uboot 以及操作系统 image 等文件在线升级，在qspi flash
RT-DETR训练前的准备，将数据集划分成训练集、测试集验证集（附完整脚本及使用说明）
在计算机视觉领域，当我们着手训练一个模型时，。其中，将数据集划分为和更是一项基础性且关键的操作。这篇博客分析了这一划分背后的原因、其重要意义以及如何通过代码实现，帮助大家更好地理解和运用这一技巧，。
自动化测试——Selenium Java 测试方案
自动化测试方案 自动化测试框架图 测试用例使用单元测试框架 测试业务使用 Page-Object 设计模式 测试数据使用 数据驱动的方式 进行传入 flat-file csv xml txt ... DataBase MySQL SQL Server MongoDB 底层封装 WebDriver 测试用例组织与执行 测试集合 test suite 测试用例的集合 多个测试用例的类 测试用例类的方法 测试.
手把手教你玩转服务器芯片架构--7.1 项目1：基于FPGA的RISC-V软核设计（Verilog实现核心指令执行单元）
本文介绍了基于FPGA的RISC-V软核设计实践项目。项目采用Verilog实现RV32I指令集核心处理器，包含指令解码、ALU、寄存器堆等关键模块设计，并通过功能仿真验证。在Xilinx Artix-7 FPGA上完成综合与部署，资源利用率控制在5%以内。最后探讨了五级流水线优化、指令集扩展等进阶方案。该实践完整覆盖了从指令集设计、RTL实现到FPGA部署的全流程，可作为学习处理器架构与FPGA开发的典型案例。
selenium集成測試工具
項目快完工，已經要開始一些測試工作。 在看到 [url=http://blog.youkuaiyun.com/calvinxiu/]江南白衣[/url] 老大的集成測試指南後，決定選用selenium為項目的集成測試工具。 下面是江南白衣在Selenium指南的原話： [quote] 在徐昊指导下，SpringSide2.0 已经全面应用Selenium。 Selenium能被选为最好...
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")
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
Selenium-集成测试工具
Selenium is a portable software testing framework for web applications.Selenium provides a record/playback tool for authoring tests withoutlearning a test scripting language. Selenium prov
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。
Selenium 集成测试工具 转载
Selenium 是 thoughtworks公司的一个集成测试的强大工具。最近参与了一个系统移植的项目，正好用到这个工具， 把一些使用心得分享给大家，希望大家能多多使用这样的强大的，免费的工具，来保证我们的质量。 Selenium 的文档现存的不少，不过都太简单了。使用Selenium的时候，我更多的是直接去看API文档，好在API不错， 一个一个看，就能找到所需要的 :-) ...
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
Selenium--透明反复推介的集成测试工具(Pragmatic系列)
作者：江南白衣 国内大部分公司还依靠QA组的MM看着测试用例文档来手工测试，如果钱人有限，又想改变现状，最实在的建议是先编写直接访问数据库的商业层UnitTest和基于Selenium的集成测试这两种实用性最高的测试。 在徐昊指导下，SpringSide2.0 已经全面应用Selenium。 Selenium 能被选为最好集成测试、回归测试方案，是因为：
如何有效进行软件集成测试?常见的集成测试工具分享
在现代软件开发的过程中，集成测试是确保系统各部分有效协同工作的关键步骤。软件集成测试是指在软件开发过程中，将各个模块或组件组合在一起进行测试，以验证它们之间的交互是否符合设计要求和业务逻辑。集成测试的核心目标是发现不同模块互动时可能产生的问题，确保系统运行的稳定性和可靠性。
在Cruise环境中加入Selenium集成测试
前文中我们成功使用 ANT ＋ Maven2 ＋ Cruise 搭建了持续集成环境，实现了 compile 、 test 、 tag 、 deploy 、 publish 等自动化环境。今天我们再接再厉，为其加入 Selenium 集成测试。 关于 Selenium 的介绍和使用方法，在此不做赘述，各位可以借助万能的 google 来...
常见的软件测试内容及使用工具
软件测试常用工具
系统测试集成测试单元测试_单元和集成测试的代码覆盖率
系统测试集成测试单元测试 我最近在一个宠物项目中着手构建自动化的UI（集成）测试以及普通的单元测试。 我想将所有这些集成到我的Maven构建中，并提供代码覆盖率报告，以便我可以了解测试覆盖率不足的区域。 我不仅发布了项目的源代码，还整理了一个简单的示例来演示如何获得所有这些设置。 因此，如果您希望集成maven ， junit ， webdriver （现在为selenium）和emma ，请...
java集成测试_10个适用于Java程序员的有用单元和集成测试工具
由于我相信程序员和他们的工具一样好，我总是在空闲时间尝试学习和探索新的工具和库，这个列表是该研究的一部分。在本文中，我将分享10个最好和必不可少的工具和库，它们可以帮助Java开发人员在各种Java项目上编写单元测试和集成测试。1. JUnit我不认为JUnit需要任何介绍。即使您是初学Java程序员，您也可能听说过它。它允许您为Java代码编写单元测试。几乎所有主要的IDE(例如 ， 和 )都提...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1482
扫一扫
