前言@测试驱动开发

前言

测试驱动开发:

  • 不要写一行新的代码,除非遇到自动化测试用例失败的情况。
  • 消除重复的代码

两个简单的规则,但它们会产生复杂的个人和群体行为。一些技术含义是:

  • 你的设计要更灵活,运行代码在决策之间提供反馈。
  • 你必须自己写测试代码,因为你不能每天等别人帮你写测试代码二十次
  • 对于小的代码变动,开发环境能够快速响应
  • 设计必须有许多高内聚,低耦合的模块组成,以方便测试。

这两个规则意味着编程任务的顺序:

  • 红灯: 写一些不能允许的测试用例,可能开始的时候连编译都过不了。
  • 绿灯: 让这个测试用例快速的跑起来,在这个过程中犯下任何必要的错误。
  • 重构: 删除为了使测试正常运行而写的任何重复代码,然后重复这一行为:红灯/绿灯/重构。这个也是TDD的口头禅。

暂时假设这种风格是可行的,有可能大大降低代码的 Bug 密度,并使所有相关人员都清楚地了解工作主题。如果是这样,只编写失败测试所需的代码也会产生社会影响:

  • 如果 Bug 密度降低到足够低,QA 的工作将从被动变得越来越主动。
  • 如果令人讨厌的意外数量可以减少,项目经理可以进行足够准确的进度评估,让真正的客户参与日常开发。
  • 如果技术对话的主题足够清晰,程序员可以以每分钟的协作方式工作,而不是每天或每周协作。
  • 同样,如果 Bug 密度可以降到很低,我们可以每天拥有具有新功能的可交付软件,从而与客户建立新的业务关系。

所以,这个概念很简单,但我的动机是什么?为什么程序员要承担编写自动化测试的额外工作?为什么一个程序员会在他们的头脑能够进行巨大的设计飞跃时,在很小的一步中工作。Fear

Fear

测试驱动开发是一种管理编程中产生的恐惧的方法。我并不是说恐惧是坏事。但是以正确的方式面对恐惧,这是一件苦难的事情,我在开始的时候看不到结果。如果疼痛发出的信号是停止,那么害怕发出的信号就是小心。问题是恐惧还有许多其他影响:

  • 让你犹豫不决
  • 让你脾气暴躁
  • 让你不想交流
  • 让你羞于接受反馈。

在写代码的时候,这些影响都是负面的,特别是编写一些复杂的实现时,那么,你如何面对一个困难的局面?

  • 不要犹豫不决,要尽快具体地开始学习。
  • 不要闭口不谈,要更清楚地沟通。
  • 不要羞于反馈,寻找有用的、具体的反馈。
  • 你得自己解决坏脾气的问题。

把写代码想象成从一口井里打出一桶水,当水桶很小的时候,你只需要轻轻转动手柄,就可以把水从水井里面打出来。当水桶又大又满的时候,你会在水桶还没升上来的时候就累了。你需要一个滑轮组,在提升水桶的时候,中间可以喘口气。桶越重,拉桶的绳子就越靠近齿轮中心。

测试驱动开发中的测试是换轮组的轮齿。一但你通过了一个测试用例,它不仅现在是有效的,将来也是有效的。与测试失败时相比,你离一切正常工作又近了一步。现在让下一个测试用例工作,再下一个,再下一个。通过类比,编程问题越困难,每个测试所涵盖的范围就越小。

Extreme Programming Explained的读者将注意到XP和TDD之间的音调差异。TDD并不完全像极限编程。XP说:“这些是您必须能够做的事情,以便为进一步发展做好准备。”TDD有点模糊。TDD是在编程过程中意识到决策和反馈之间的差距,并控制这种差距。您可以只进行应用程序级测试并进行TDD。决策和反馈之间的差距将是巨大的,但对于非常熟练的程序员来说,这可能是足够的反馈。

TDD 使您能够控制反馈。当你超速行驶,开始下雪时,你可以切换到4WD Low,并继续前进。当道路畅通时,你可以向上移动,然后离开。

也就是说,大多数学习TDD的人发现他们的编程实践永远地改变了。“测试感染”是Erich Gamma创造的短语来描述这种转变。

您可能会发现自己更早地编写了更多的测试,并且以比您想象的更小的步骤工作将是明智的。另一方面,一些程序员学习TDD并回到他们早期的实践,将TDD保留到普通编程没有进展的特殊场合。

当然,有些编程任务不能主要由测试来驱动(至少现在还不能)。例如,安全软件和并发性是TDD没有明显应用的两个主题。编写具体的、确定的、自动化测试的能力是应用TDD的先决条件。

一旦你读完这本书,你应该准备好:

  • 保持简单
  • 写自动化测试用例
  • 重构以每次添加一个设计决策

这本书分为三个部分。

  1. 一个使用TDD编写典型模型代码的例子。这个例子是我几年前从Ward Cunningham那里得到的,后来我用了很多次,多货币算法。在这本书中,你将学会在编写代码之前编写测试,有组织地发展设计,优雅地失败(我发誓,我在这个例子中提到的是一个死胡同,这是为了教学目的)。
  2. 一个测试更复杂的逻辑的例子,包括反射和异常,通过开发一个自动测试的框架。这个示例还向您介绍xUnit体系结构,它是许多面向程序员的测试工具的核心。在第二个示例中,您将学习比第一个示例更小的步骤,包括计算机科学家所钟爱的那种自我参照的hooha。
  3. 对于TDD模式。包括用于决定编写什么测试的模式、如何使用xUnit编写测试的模式,以及示例中使用的设计模式和重构的最佳选择。

我编写了想象结对编程会话的示例。对我来说,开玩笑和打趣是同龄人之间尊重的标志,也是缓解紧张情绪的重要途径。如果您喜欢在四处漫游之前先看一下地图,您可能想直接看第3节中的模式,并使用示例作为插图。如果您喜欢四处逛逛,然后查看地图来查看您去过的地方,那么试着通读示例,当您想要了解一项技术的更多细节时,参考模式,然后使用模式作为参考。

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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