软件测试“最佳学习”方法?

软件测试学习路线-基础篇 软件测试自学实践部分比较难,因为需要找到有问题的源代码进行测试,更建议跟团队一起学习。 阅读详情

 

    突然想到这个问题,起源于上周日做一道菜,周日买了几条带鱼,以前没做过,也不会做,不过现在网络发达,有不会的直接网上google了,一搜一大把。材料准备好后,开始进行,开始看了一边教程后,心中有数,唰唰进行,一下就出问题了,腌制带鱼要放的作料记不全了(好像有料酒,盐还有什么?),没办法,只能又跑到电脑上看一下。OK,腌制过程中,又看了几遍(心想,这下肯定记住了)。是事与愿违,在做得过程中,只能来回跑动,看教程,不要缺少什么东西了(即使没有记错一些步骤,但是还是不放心,心虚了),最后还是少放了糖。今天在上班的路上,突然想到前段时间培训下面人员想的一个问题,如何能让新员工更快,更好的学习,上手。


      在以前本身的工作和学习中,学得最快的,记得最牢的还是自己亲自实践过的,亲自总结过的,下面分三个层次讲下:

 

      一、“读书百遍,其义自见”对吗?“其义自见”也只是表面上有见解,等过段时间基本上忘记了,以前在学校学的是软件测试专业,很多理论知识看了一遍又一遍(非常熟悉了),就比如说测试用例编写吧,知道N种方法,但真正工作后,还是不知道如何下手,还是需要对着相关资料进行编写,以前看得非常熟悉的资料已经是不再熟悉了。再说以前学习QC的时候,一直没有安装QC,一直拿着QC的学习文档看了一遍又一遍,看了又忘,忘了又看,直到真正安装QC后上去操作了几遍,学习文档一下豁然开朗了,再也忘记不了,为什么会这样,关键在于第二点。


 

      二、“熟能生巧,做一遍顶看一百遍”,就比如说前面做的红烧带鱼,学习QC,学习测试用例编写等,可以说下次再做红烧带鱼我一定不需要再看到教程去做,为什么,因为我已经通过“做”的这个过程深刻的学习了,实践了,如果再做几遍就成自然反应了,成习惯了。

      三、“学而不思则罔,思而不学则殆”,做熟了就够了吗?如果你只认为做熟练了就够了,那你就错了,你就成为一个熟练的机器了,以前的木匠,瓦匠,留下名的是那些熟练的人吗?一定是那些创新的人,只有你在前人的基础上熟练再进行总结,创新才是发展的方向。在做测试中,我们需要思考,需要总结,只有思考,只有总结才能让你难以忘记,总结后的东西就成为你自己的了。如以前我也是一步一步走过来,在编写用例时,写做到熟练,再进行修改,创新,总结,形成自己的一套(以前写的日志可以看出来:软件测试基本功之——测试用例篇,测试用例设计与管理思路经验总结,这是不同时期做的总结),可以说只有总结才能达到明显的进步。如以前学jira,那段时间学得很认真,学得很不错,但没有做总结,过了一年左右后,很多都忘记了,虽然说捡起来快,但真正总结后才明白,总结并不是为了记录使用方法,而是深刻了解,总结里面的管理思路,一通百通,现在一看到其他测试管理工具,缺陷管理工具,我就能很快上手,很快知道这么去使用。(JIRA总结文章:JIRA相关)

      上面的方法大概是,学习——实践——总结,创新。现在对下面的人员进行培养已经很少让他们去看一些比较死的理论知识,课本知识了,一般是找一些测试方面的工具,让他们达到熟练使用并能进行演讲,在演讲再穿插讲一些基础知识,很快就能让他们掌握大量的测试知识了。通过工具的学习方法,再配以“学习——实践——总结,创新”,个人认为是一种比较好的学习方法。

PS:很早以前就有“通过学习测试工具来学习测试知识”的想法(因为自己就是通过这个方法学习到很多测试知识),但是一直没找到合适的入口来写,没想到一道菜想通了,其实生活就是学习的源泉。

软件测试项目实战学习路线 一、背景: 因为在企业做了多年测试总监,一直也在培养从学校毕业后进入到公司的新人,在企业打造了一套软件测试人员培养的实战路线,前一段时间有朋友介绍自己的亲戚要学习软件测试,让我帮忙指导,才发现这个鱼龙混杂的测试行业,市场上目前没有一个机构的培养内容和企业需要的完全一样,所以我也就梳理出来,企业培养人的整个实战过程。 二、行动: 因为要做软件测试,要学习软件测试,必须你用到的工具,用到的项目,包括用... 阅读详情

相关推荐

软件测试十本书

软件,已成为产品集成的必需部件。 软件产品的质量,与用户生活水平正比。 软件质量相关专业,正用武之地,期大有可为。 根据个人经验,推荐软件测试相关的十本书,静待有缘人。

zhouyulu的工作历史 1万+

软件测试怎么学?如何系统学习软件测试?

培训机构会把软件测试所需掌握的知识更系统地梳理总结,老师会根据大纲进行系统的授课,学习人员可以更准确快速的学习,学习周期也会相对比较短。可以通过模拟测试场景,或者参加实际的软件测试项目,来积累测试经验和技能。加入测试社区可以让你接触到更多的软件测试从业者,了解最新的测试技术和工具,还可以分享你的测试经验和技巧。学习软件测试的第一步就是了解软件测试的基础知识,包括测试的定义、测试类型、测试策略、测试计划等。如柠檬班培训机构,课程内容丰富,涵盖了测试的各个方面,同时还有专业的老师解答疑惑、指导实践。

Maisu的博客 633

8年资深测试八条最佳学习实践总结

退伍后选择了软件测试行业,从第一家传统的互联网典型业务测试一直到上市公司的总监,从一开始的点点点每周一次发版,到后来去研究性能、自动化、测开。经历了当初对工作很有激情,接触的越多越发现自己只熟悉测试领域的很小快业务。专注性能后发现自己给自己设定了职业发展界限,缺乏了广度。等到开始做企业内训之后,也就是专注软件测试这个行业之久,才发现测试这条路需要一直探索。 今天有感给大家整理我这些年的最佳学习方法,希望测试人都少走弯路。 总结来说: 合理管理工作时间 学会给自己目标,挑战自己 最简单的TDD 了解大环境 用

leboxy的博客 652

软件测试的学习方法

1.了解软件测试基础知识:软件测试是指在软件开发过程中,对软件进行验证和确认,以确定其是否符合规定的需求、标准和规范。4.深入掌握软件测试方法:软件测试方法包括黑盒测试、白盒测试、灰盒测试等等,每种测试方法都有其特点和应用场景。总之,学习软件测试需要掌握基础知识、工具技能、实践经验、方法应用和持续更新等方面。通过实践项目案例,可以让你更深入地理解软件测试的流程和方法,并且提高自己的实践经验。5.持续学习更新:软件测试是一个不断更新的领域,需要从学习和实践中不断地积累和更新自己的知识体系。

weixin_45903983的博客 682

小白如何快速入门软件测试

先说点我的测试经历,让大家都软件测试有些认识. 毕业后,拿着简历想都没想一头就扎到了苏州,作为一个北方女汉子,一直被“青石板小路回眸一笑的女子”的曼妙所感动,全无他因,事后说起,一朋友评价说我是个完全无脑的女子-:) 话说到了苏州,不但想象中的美景美有看到,经过了2/3个月的找工作之路,带着一个“无能”、“无知”、“我啥也不会”的极其低落的心情来到了北京,来北京只是想碰运气,因为人都说帝都工作

金融测试攻城师 1万+

软件测试参考学习方法

软件测试是一个入门简单、但深入难的工作 入门的时候只要会看懂中文、理解能力没问题就可以按照测试用例来执行用例了

软件测试功能到自动化学习路线图,2022年最新版技术栈

2022年全新版软件测试技术栈,零基础入行必备、高质量免费在线课程+笔记+讲义分享。适合零基础,功能测试、即将面试回顾知识点的各位伙伴。 文章目录前言第一阶段、功能测试1.软件测试入门到精通2.Linux系统2天快速入门3. 软件测试MySQL数据库知识精讲+项目实战第二阶段、Python编程10天玩转Python软件测试第三阶段 UI自动化1. 软件测试web自动化测试精讲与实战2.零基础入门移动自动化——Appium框架3. 轻松教你使用Appium进行IOS真机自动化测试第四阶段 接口自动化接口测.

黑马程序员官方博客 3348

web游戏快速执行测试方法

web游戏快速执行测试方法

软件测试学习路线​

学习内容:理解软件测试的定义,即在规定的条件下对程序进行操作,以发现程序错误,衡量软件质量,并对其是否能满足设计要求进行评估的过程。​学习方式:阅读软件测试相关书籍、文章。​。

2301_81284423的博客 3709

华硕ROG幻16笔记本电脑模式切换管理工具完美替代华硕奥创中心管理工具

参考文档1这个工具可以完美替代华硕奥创中心工具,可以定制化不同模式下的CPU、GPU、风扇转速、电池计划等。是由华硕开发人员开发的一个纯绿色的系统管理工具。直接展示启动后的工具界面效果图:这个工具也可以一键式停止正在运行的华硕ASUS服务,减少不必要的资源消耗。

追梦&天空的博客 1万+

瑞萨RZN2L工业以太网开发避坑指南:EtherCAT从入门到通信调试全流程

本文详细解析了瑞萨RZN2L MPU在工业以太网开发中的EtherCAT从站配置与通信优化全流程。通过硬件设计关键点、协议栈选型、PDO映射策略及DC同步精度优化等实战技巧,帮助开发者快速搭建高效通信框架并解决调试中的常见问题,特别适合工业自动化领域的实时通信需求。

aitie1479的博客 461

软件测试入门:区分while循环与测试基础才能真正建立学习路线

在学习软件测试时,许多入门者会搜到将编程语法与测试知识打包在一起的“通关教程”,例如一边讲while循环,一边讲测试基础。理解while循环这类通用编程概念,核心在于掌握条件判断、循环退出与重试逻辑,它是接口自动化测试中实现轮询等待和超时控制的关键技术价值。而软件测试基础则强调用例设计、缺陷闭环与流程意识,二者属于不同能力维度,不能混为一条线性路径。从概念到原理,再到实际应用场景,软件测试入门的最佳方式是根据目标拆解学习模块:先补编程基础,再练测试方法,最后在项目实战中验证和沉淀工程化经验,这样能有效避免被

weixin_28745821的博客 275

从封装到先进封装:一文讲透Chiplet、2.5D/3D堆叠与系统集成

封装是芯片产业链中连接硅片与电路板的桥梁,承担物理保护、电气连接、散热与机械支撑等核心任务。传统封装从DIP、QFP发展到BGA,通过提升引脚密度满足早期性能需求。随着摩尔定律放缓,单纯缩小晶体管尺寸难以为继,先进封装应运而生,其核心理念从“封装单颗芯片”转向“系统级高密度集成”。扇出型封装、2.5D硅中介层、3D堆叠、Chiplet和系统级封装等技术,通过微米级互连和垂直堆叠,大幅提升I/O密度与带宽,成为AI芯片、HBM存储、高性能计算等领域的关键支撑。本文梳理先进封装的技术演进、分层架构与工程难点,帮

weixin_29185167的博客 365

软件测试书籍有哪些_软件测试书籍推荐

软件测试行业在国内才起步不久,很多人都是刚刚毕业就进入这个行业,或者从其他岗位转过来,对软件测试的知识和技能了解的有限,而软件测试又是一个非常重视实践经验的工作。如何在较短时间内熟悉软件测试的基础知识、并掌握一定的软件测试基本方法,读书就是一个比较好的办法。   因此小编整理了几本软件测试方面的书籍,本文首先介绍了软件测试书籍三步曲,分别是基础知识类、进阶类以及自动化测试的书籍,最...

hhl18的博客 1万+

RS485两线制接线实战:从差分信号原理到Modbus避坑指南

本文深入解析RS485两线制接线的核心原理与实战步骤。从差分信号的抗干扰机制出发,详细拆解总线规划、屏蔽层接地、终端电阻安装等关键实操细节,并针对Modbus应用中常见的信号反射、极性接反、共模干扰等问题提供系统化的排查指南与解决方案,助力工程师构建稳定可靠的工业通讯网络。

7up55的博客 734

c# U盘禁用---守护进程(插入,拔出,卸载等操作)

一、简介 传统的对U盘禁用,我们多采用修改注册表的方式,详情参考:https://blog.youkuaiyun.com/qq_25372599/article/details/79815407;本文将介绍一种其他的方式–后台守护程序。其原理非常简单:当守护程序检测到U盘的插入信号,我们自动卸载U盘,致使系统无法识别U盘,达到禁用U盘的效果。 二、程序设计 2.1 变量定义 strin...

星星之火燃亮码空 2845

(2024)12家最佳软件测试服务公司

Testfort作为软件测试服务的首要提供商脱颖而出,在自动化和手动测试方面都表现出色,他们对透明通信、卓越成果和简明文档的承诺是无与伦比的,凭借一支由专业工程师组成的成熟团队,Testfort提供卓越QA服务的能力,展示了他们自2001年成立以来对细节的细致关注和开发的工作流程。TestMatick作为领先的QA服务提供商的崛起,提供20多个测试解决方案的广泛范围,他们致力于卓越的网络、移动、API和自动化测试,以及安全和电子商务测试等专业服务,突出了他们无与伦比的行业地位。

朱雀随云记的博客 3363

Android 14.0 Launcher3定制化之最近任务的全部清除由左边移到下边显示

在最近14.0的系统rom产品开发中,在Launcher3的定制化开发中,在最近任务列表中,发现点击recents最近任务键后 显示的全部清除按键在左边 由于是横屏的产品显示在左边不太合理 所以要求显示在下边比较合理,所以要从Launcher3的显示流程来解决这个问题

安卓兼职framework和app工程师的博客 764

五大最佳自动化软件测试工具

最好的自动化软件测试工具 对测试自动化的依赖性增加导致大量自动化软件测试工具的出现,使得很难确定哪些是最好的。为了帮助您完成自动化工作,我们根据自己和他人的经验创建了五大最佳自动化软件测试工具列表。 1.Selenium Selenium可以说是web开发人员和测试人员中最受欢迎的自动化软件测试工具。它于2004年首次发布,从那时起它发生了很大变化。最新版本的Selenium包含几个组...

qq_32067151的博客 6960

华为OD机试真题 新系统 9月20号 【字符串分组求和】

华为OD新系统机试真题【字符串分组求和】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题【字符串分组求和】解析。

qq_45776114的博客 609

【前端基础篇】HTML5 + CSS3 入门知识

,HTML5和CSS3核心知识

前端知识分享喵 2982

软件测试初学者学习资料汇总大全(校招、工作进阶通用)

近来,软件测试行业发展迅速,企业越来越重视测试了。越来越多的人加入了测试大军中,很多人也想通过自学来学习软件测试技术加入这个行业,但是现在软件测试的书籍越来越多,也良莠不齐,而且软件测试涉及的技术也越来越多。本文主要说明的是从事软件测试行业需要必备的知识,以及该如何学习,主要给大家提供一些比较优秀的书籍,并给出学习的顺序。希望通过阅读本文,读者可以明确该如何学习测试,并学习哪些知识。由于仅是个人建...

Sunny王维 2570

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

软件测试的“道”与“术”

本文版权归“本地化世界网www.GILTWorld.com”所有,转载需要征得本站同意,并注明作者和原始出处。有关本文的任何建议和意见,请发电子邮件到QiliangCui@hotmail.com与作者联系。软件质量是指软件的功能和性能满足用户需求和期望的程度。随着IT技术在各个行业的广泛深入地应用,软件质量成为普遍重视的因素。如何有效地提高软件质量,增强软件产品的竞争力,是软件企业管理和技

软件测试新观察(崔启亮) 8804

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")

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

强烈推荐软件测试学习书籍(自学软件测试书单)

虽然现在网络上有各种各样的视频课程,但是大多知识点密度太低,很多视频课程注水比较严重,很难在短时间内系统的学习。技术博客内容虽然干货很多,但内容比较分散,没有形成体系,可以作为解决问题的答案,但很难成为完整知识体系学习。 读书一直以来就是获取知识的最直接途径,并且成本低廉。每本书都是作者深度思考和总结的成果,书本的内容一般都要经过缜密的调研,都是作者辛辛苦苦实践的结晶。技术书籍写作耗时都比较久,基本上能广泛流传的书籍,都是经过了时间和实践的检验。 并且,书本都有完整的知识架构,不管是系统学习还是作为工作问题

公众号:【伤心的辣条】 2374

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。

软件测试怎么样?作为零基础测试人员我该怎么去学习软件测试呀?

最近笔者发现有很多的小伙伴都在讨论软件测试怎么样,那么今天笔者呢就给各位小伙伴从几个方面来说道说道。每个人都会有不同的看法这个呢,这篇文章仅代表了笔者的一些看法,希望能帮助到大家更加的了解软件测试这个行业。

IKUN669的博客 255
上一篇: 如何做好需求变更管理?——需求变更流程规范
下一篇: 如何看待别人写的“心得,总结”
Hlearning
博客等级 码龄21年 5粉丝 5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