test 资料下载地址

Winform通过一个窗体的时间打开另外一个窗体,并执行一个事件,返回结果到第一个窗体 Winform 在一个窗体时间里面打开另外一个窗体,并等到第二个窗体事件执行成功以后,返回执行结果,类似于客户端和服务端通信 立即下载

E书店

http://www.ebook21.cn/

例:软件破解教程(有解压密码)

http://www.ebook21.cn/soft/1/2006/Soft_317.html

 

软件测试的方法与工具

http://book.yzcc.com/soft/2626.htm#

 

 

软件电子书下载

http://www.xpbook.com/sort/100_1.htm

 

电子书下载:(不错的电子书网站)

www.xpbook.com

 

 

testwww 立即下载

相关推荐

test_file—testfile

测试上传文件。

windows2003下asp环境搭建

01 安装IIS 01 找到控制面板 02 添加或删除程序 03 添加/删除windows组件 04 选择 应用程序服务器, 并点击 详细信息 05 勾选ASP.NET --> 点击 IIS --> 点击 详细信息 06 勾选 万维网服务 02 安装winrar解压软件 01 双击 winrar.exe文件 02 普通安装 03 01 在C盘下建一个www的文件夹 02 解压 wwwtest.rar 到 当前文件夹 03 开始 --> 管理工具 --

不秃头的程序Yang 1139

test文本,用于测试使用

测试文档,用于测试SCDN多的上海窜双功能功能测试文档,用于测试SCDN多的上海窜双功能功能测试文档,用于测试SCDN多的上海窜双功能功能

libmodbus_test 资源文件下载

libmodbus_test 资源文件下载 去发现同类优质开源项目:https://gitcode.com/ 简介 本仓库提供了一个名为 libmodbus_test.zip 的资源文件下载。该文件包含了与 libmodbus 相关的测试代码和示例,帮助开发者快速上手和测试 libmodbus 库。 使用方法 要了解如何使用该资源文件,请参考我的博客文章。博客中详细介绍了 libmodbus 的使...

gitblog_09798的博客 465

SoftTest.rar

软件测试课程,白盒测试:逻辑覆盖测试;黑盒测试:等价类划分,决策表;单元测试:借助Junit4在进行测试单元模块;集成测试:真实系统黑盒测试用例

Word公式批量转MathType终极指南:解决omml2mml.xsl缺失与格式调整难题

本文提供Word公式批量转MathType的终极解决方案,重点解决常见的omml2mml.xsl文件缺失问题,并详细讲解批量转换与格式调整技巧。通过补全文件路径、分批次转换及样式预设等方法,大幅提升学术论文公式编辑效率,适用于Office 2016及以上版本。

weixin_28419039的博客 1355

渗透测试环境搭建

渗透测试环境搭建

weixin_59616219的博客 3802

卷积神经网络中的边缘检测:从Canny算法到深度学习(PyTorch实现)

本文系统梳理了边缘检测从经典Canny算法到深度学习方法的演进,重点解析了Canny算法的数学原理及其对卷积神经网络设计的深远影响。通过PyTorch实战,详细演示了如何构建并训练一个基于HED架构的深度学习边缘检测模型,并探讨了模型优化、评估及与传统方法融合的高级技巧。

jenkins8butler的博客 154

Wi-Fi_CERTIFIED_ac_Test_Plan_v2.5.pdf 资源介绍

Wi-Fi_CERTIFIED_ac_Test_Plan_v2.5.pdf 资源介绍 去发现同类优质开源项目:https://gitcode.com/ 欢迎来到我们的资源下载仓库!此页面为您提供了最新版本的802.11ac协议过认证文档——Wi-Fi_CERTIFIED_ac_Test_Plan_v2.5.pdf。 该文档详细介绍了802.11ac协议的测试计划和标准,对于希望了解和实施Wi-Fi...

gitblog_06726的博客 431

【系统分析师】2026年上半年真题:论文及解题思路

四篇论文围绕系统与开发实践展开: 安全架构设计强调数据加密(国密算法)、零信任访问控制及容灾架构,以某医疗云平台为例,实现RTO<5分钟的高可用保障。 架构风格应用解析微服务/事件驱动等风格选型,结合电商平台案例,通过服务拆分与异步通信提升扩展性。 需求评审机制提出正式评审与走查结合的方法,在金融系统中减少30%返工,解决业务规则二义性问题。 LLM测试生成利用大模型从需求/代码生成用例,辅以人工校验,使测试效率提升50%,覆盖边缘场景。 各篇均遵循“背景-理论-实践”结构,突出

数据知道的博客 787

全网最强AI辅助课题申报教程!超详细流程拆解,助你快速提高课题申报成功率(附各部分高效提示词)

实验法要详细说明自变量、因变量、实验类型、实验过程、实验步骤、测量工具名称、被试取样方式、无关变量控制方法。这个部分就是让评审专家相信我们有能力把这个项目干成,写的时候要重点突出两块内容:第一是研究基础,包括你或团队在相关领域已有的研究成果,比如发表的论文、承担过的课题、获得过的奖励、相关研究经验等,要具体、有说服力;课题申报专门给我们留了一小节用来突出课题的创新之处,不管是研究角度、研究对象、研究方法,还是应用价值都可以提炼作为我们的创新点,最后的语气成果也要明确具体,且要和课题内容紧密相关。

智能AI让学术科研更容易 667

神州TESTV10-V15下载地址导航

互联神州---神州TESTV10-V15下载地址导航帖 这个是互联神州网络雄猫老师从V10-V15的所有视频及解释贴,虽 然有的题目现在不在考试范围,但是依然可以作为大家学习的参考~ 希望大家早日学有所成,学有所用! 神州TEST--V10------视频版下载地址:[url]http://www.ciscohuawei.com/thread-...

weixin_33737774的博客 159

Tessy集成测试,看完这篇就够了

本文详细介绍了集成测试模块的创建与测试流程。首先,通过TESSY模块进行组件测试管理,设置测试环境并配置相关函数,包括外部函数和组件函数的处理。接着,设计测试用例,包括设置工作任务、增加测试用例、为测试场景添加函数及赋值,并执行测试用例。此外,文章还介绍了集成测试覆盖率的概念,包括CPC(调用对覆盖率)和FC(函数覆盖率)的定义与作用,强调了它们在确保测试充分性和发现潜在问题中的重要性。最后,提到了数据共享的注意事项,指出在测试过程中全局变量的共享特性及桩函数调用的处理方式。

qq_37282365的博客 1099

分享我积攒的测试相关的资料awesome-test

分享我积攒的测试相关的资料awesome-test 微信扫描关注我的公众号,回复测试资料即可免费获取资料下载地址,不定期更新资料 posted @ 2019-05-06 23:30 爱穿衬衫 阅读(...) 评论(...) 编辑 收藏 ...

TesterLiao的专栏 1052

上位机图像处理和嵌入式模块部署(开篇)

【 声明:版权所有,欢迎转载,请勿用于商业用途。 联系信箱:feixiaoxing @163.com】 图像处理是现实生活当中很实用的一门技术。工业上一般采用的是机器视觉,以传统算法和光源控制为主,部分采用了深度学习技术。而生活当中,则主要以二维码识别、人脸识别、车牌识别和ocr识别为主,这中间深度学习与AI扮演了很重要的角色。过去,市场上的商业收费软件,主要还是以传统设备厂商提供的上位机软件为主,那这一部分是不是结合最新的npu技术,应该做出一些新的东西出来呢?

嵌入式-老费,一个分享专业嵌入式知识的blog 1338

基于STM32L4XX的环境光传感器(VCNL4040M3OE)应用程序设计

• 集成模块:红外发射器(IRED)、环境光传感器(ALS)、接近传感器(PS)及信号调理IC。#define VCNL4040_I2C_ADDR (0x60 << 1) // 7位地址左移一位。// 组合成16位值。// I2C总线句柄。// 设置参数:ALS集成时间160ms,中断禁止,ALS功能开启。// 设置参数:PS工作频率80Hz,开红外二极管,PS功能开启。// 初始化I2C外设。• 输出类型:I2C总线(ALS/PS)// 2. 配置环境光传感器 (ALS) 并启动。

myron6688的博客 145

OceanBase-miniob-test大赛资源文件

OceanBase-miniob-test大赛资源文件 【下载地址】OceanBase-miniob-test大赛资源文件 OceanBase-miniob-test大赛资源文件为参赛者提供了全面的支持,助力在比赛中脱颖而出。资源包含详细的比赛规则与要求、技术文档与指南,以及丰富的参考资料与示例代码。通过下载并解压文件,...

gitblog_06727的博客 397

92. SAP ABAP 系统里长文本 Long Text 的设计和读取函数 READ_TEXT 的详细讲解

SAP ABAP中的长文本(Long Text)是指在SAP系统中存储和管理较长文本信息的一种机制。长文本通常用于存储描述性信息、注释、说明等,这些文本信息可能超过了标准数据库表字段的长度限制。 长文本的作用主要有以下几点: 1. 更多的信息存储:长文本允许您存储和显示比标准表字段允许的更多信息。例如,产品描述、用户注释、维护计划等可能需要大量的文本来详细描述。 2. 更好的可读性:长文本提供了更好的文本格式化选项,可以改善可读性。用户可以使用段落、列表、字体样式等格式化文本,以便更容易地理解和阅读。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1999

KEYSIGHT-E7515B UXM 5G Wireless Test Platform-综合文档下载说明

KEYSIGHT-E7515B UXM 5G Wireless Test Platform-综合文档下载说明 【下载地址】KEYSIGHT-E7515BUXM5GWirelessTestPlatform-综合文档下载说明 探索KEYSIGHT-E7515B UXM 5G无线测试平台的全面指南!这份详尽的文档为您提供了深入...

gitblog_06778的博客 472

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

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。

PLC_S7net_TEST 使用指南

PLC_S7net_TEST 使用指南 去发现同类优质开源项目:https://gitcode.com/ 概述 欢迎使用 PLC_S7net_TEST 资源包!本资源针对需要通过C#编程语言来实现与西门子PLC进行通信的开发者们。如果您正在寻找如何利用S7.net库高效、便捷地连接和交互数据于西门子PLC的示例代码及实现方式,那么这将是一个极佳的起点。 目录结构 PLC_S7net_TEST.r...

gitblog_09762的博客 665

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

monkey test——学习资料

出处: http://www.testwo.com/blog/6107 http://www.testwo.com/blog/6146 http://www.testwo.com/blog/6188 ------------------------ Android的测试环境搭建——Mr.Monkey 移动测试培训课后总结(一) 2012-10-29白云 一、相关...

anpiao8142的博客 208

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

资料下载CCNA/CCNP/CCIE

[资料下载]思科CCNA/CCNP/CCIE认证考试试题资料下载 QUOTE: [资料下载]考试题库-TEST104V37 完整版 [学习资料]CCNA真题(1)TCP/IP:地址和协议 [学习交流]Cisco Systems7507上IPv6的配置案例 [学习资料]ccna真题(2)基本 I...

weixin_33937499的博客 546

对于ARM加载时、运行时地址的理解,各位多指教。

只是这样理解,对于一些过程而言,就能够说得通了,也与一些资料上说的情况吻合了。scatter文件中的下载时地址和运行时地址是在编译和链接阶段用的。比如有下面的scatter文件,以从汇编中跳转到c文件为例。LOAD 0x0{    JMAIN +0    {        jmain.o(jmain,+first)    }    TEST 0x200    {        test.o    

luocolor(ォ全微分) 2934

分享我积攒的测试相关的资料收集awesome-test

微信扫描关注我的公众号,回复测试资料即可免费获取资料下载地址,不定期更新资料

TesterLiao的专栏 88

H2最完整的资料下载地址:

淡泊以明志,宁静以致远 博客园 首页 新随笔 联系 管理 订阅 随笔- 678 文章- 0 评论- 137 H2 database的使用 H2最完整的资料下载地址: http://download.youkuaiyun.com/detail/yixiaoping/5956595 H2数据库使用 ...

weixin_34235457的博客 181

日语J-TEST考试资源

 J.TEST考试全称为实用日本语鉴定考试(以下简称J.TEST)。于2007年8月获得了国家劳动和社会保障部的认可(劳动部文件)。其主要功能就是对母语为非日本语的人员进行日本语能力的测试。在上世纪九十年代初期,日本经济发展到鼎盛时期时,由于日本国内人力资源的严重不足,采用在日本的外国人进入公司成为了不可替代的办法。为配合对在日本的外国人的日语鉴定,1991年,日本语检定协会开发了J.TEST

归园 1506
下一篇: scan 下载地址
二进制流-Shijia
博客等级 码龄20年 1粉丝 8原创
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
 
 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