软件构造L2 test

最新推荐文章于 2025-12-02 21:20:38 发布

原创最新推荐文章于 2025-12-02 21:20:38 发布 · 179 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#java #软件工程

本文探讨了测试驱动开发（TDD）的方法，强调先编写测试用例，确保代码质量。测试用例应覆盖各种边界条件，如输入长度、特定前缀等。通过等价类划分减少测试用例数量，提高效率。使用JUnit等工具进行测试，并保持测试用例与功能代码的对应结构。TDD有助于尽早发现问题，促进代码的健壮性。

测试：转变心态：make it fail ,fail fast

测试用例：

输入+执行条件+期望结果，养成测试优先的编程习惯：在功能代码之前写好测试用例

测试用例设计：最可能发现错误、不重复冗余、最有效、既不简单也不复杂

过程：

1.先写spec

2.（spec已经描述了在给定输入情况下的期望输出，因此可以）写出符合spec的测试用例

3.写代码，执行测试，有问题再改，再执行测试用例，直到通过它

@param：参数说明 @return：返回类型的说明 @throws：抛出的异常

JUnit前面标注@Test时表明其为测试方法

针对写的功能代码，测试用例的包结构和功能代码一一对应，

用尽可能少的测试用例，尽快运行，尽可能发现大的程序错误

基于等价类划分的测试：将被测函数的输入域划分为等价类，从每个等价类中选一个为代表作为测试用例以降低测试用例的数量

例：输入的学号no需满足的条件：

• 长度为10位：10、>10、<10

• 以118开头：以此开头、以其他开头

• 之后两位数应为03/36/37：03、36、37、其他

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

kbforever8

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

BlueZ A2DP Sink功能验证

阿xin*的嵌入式AI

06-19

893

嵌入式Linux Bluetooth A2DP Sink

参与评论您还未登录，请先登录后发表或查看评论

Linux驱动学习--V4L2框架

文艺小少年的博客

04-18

1326

一、引言 V4L2是Video for linux2的简称,为linux中关于视频设备的内核驱动。在Linux中，视频设备是设备文件，可以像访问普通文件一样对其进行读写，摄像头在/dev/video0下。 V4L2在设计时，是要支持很多广泛的设备的，它们之中只有一部分在本质上是真正的视频设备。主要有以下几种几种接口视频采集接口(video capture interface):这种应用的设备...

temp:log:L2Test;failed

非正经研究生的猪圈

02-19

200

l2.L2Test ... Connected to Device 0, Session 2 Populating table entries Table forward: 00:11:11:11:11:11 => set_egr(1) Sending packet with DST MAC=00:11:11:11:11:11 into port 0 Expecting packet on...

windows cmd的基本命令大全

Night_time的博客

12-09

2401

打开windows系统的命令提示符win+r键输入cmd windows系统cmd命令中需要注意以下几点： 1：命令前加 / 为正斜杠文件或者目录名称前加\ 反斜杠 2，在练习以下命令的时候尽量在c盘以外的盘练习 cmd里的快捷键： 1，Tab键：主要用来补齐 2，方向键：↑ ↓ 可以显示原来用过的命令（上翻，下翻） 3，ctrl...

Bluedroid与BluZ，蓝牙测试方法的变动（基于bludroid和BlueZ的对比）

weixin_33858249的博客

09-28

743

android4.2以后，增加了bludroid，在做测试时，会发现与之前的bluez的测试，有着较大的变动。下面罗列一些bluedroid的不同点，以及之前bluez的测试命令验证（该部分是用bluez做的测试，针对bluedroid的测试后续会补充）。对蓝牙栈bluedroid的测试变动： 1. 已经没有 bttest 的测试工具，也就说没有bt_...

L1和L2及其正则化

y330388094的博客

11-30

1581

表示为从原点到向量所在点的曼哈顿距离。表示为从原点到向量所在点的欧几里得距离。L1是通过稀疏参数（减少参数的数量）来降低复杂度，L2是通过减小参数值的大小来降低复杂度。

软件设计师复习资料

热门推荐

zy139的博客

01-27

1万+

从大禹治水看构件与集成大禹治水　　在远古的尧、舜时代，黄河流域经常发生了大水灾，洪水横流，五谷不收，家破人亡。所以尧派鲧去治水，鲧沿用了过去的传统法子，水来土挡，用土筑堤，堵塞漏洞。但由于洪水凶猛，不断冲击土墙，结果弄得堤毁墙塌，洪水反而闹得更凶了。鲧治水九年，劳民伤财，并没有把洪水制服，是一事无成。舜接替尧后，就把鲧办罪处死，随后命鲧的儿子禹继续治水。大禹领命之后，寻找到了以前治水失败的教...

软件测试面试整理

Tao的博客

01-19

7624

PythonPython为什么是解释型语言顺序执行的没有静态检查没有编译链接过程可以交互式运行c语言类型不对是编译抛的错误，python类型不对是运行抛的错误也就是python是一条条运行的，c需要整个编译过了才能运行面向对象和面向过程的区别面向对象是把构成问题的事务分解成各个对象，建立对象来描述某个事务在解决问题的步骤中的行为；面向过程是分析出解决问题所需要的步骤，然后用一些函数把这些步骤一步步实现，使用的时候依次调用函数就行了。Python有什么优势解释型，语法简单易懂，可读性强有很多库可以用，可

java 匿名构造函数_简单谈谈java中匿名内部类构造函数

weixin_35997546的博客

02-12

444

先看看下面的代码能不能编译通过：public static void main(String[] args) {List l1 = new ArrayList();List l2 = new ArrayList(){};List l3 = new ArrayList(){{}};System.out.println(l1.getClass() == l2.getClass() );System.o...

V4l2和 Android Camera HAL -（3）

weixin_38327002的博客

03-18

944

map原来放在了这里，通过dequeueV4l2FrameLocked取出的一个buffer被送入V4L2Frame对象的map函数中处理，值得注意的是在dequeueV4l2FrameLocked的最后，实际上是构造了一个V4L2Frame对象来返回，传入了宽、高、格式、buffer index、buffer大小和偏移量，以这些参数构造的V4L2Frame对象会在之后被使用。于是通过mmap的调用我们赋值了一个通用指针addr，它指向了操作系统为我们准备的一块映射区域起始处。

简单谈谈java中匿名内部类构造函数

09-03

在更复杂的示例中，`InnerTest` 类的 `get` 方法返回了一个匿名内部类的实例，该匿名内部类扩展了 `Test` 类并重写了 `getI` 方法。这样，当我们调用 `t.getI()` 时，实际上会执行匿名内部类中重写的方法，返回的是 ...

cpp代码-test unique_ptr

07-14

1. **独占所有权**：`unique_ptr`不支持复制构造函数和赋值运算符，这保证了对象的所有权独一无二。如果需要转移所有权，可以使用`std::move`。 2. **自动销毁**：当`unique_ptr`对象离开作用域或者被显式置为...

TensorRT笔记（5）：研究timingCache

ouliten的博客

12-02

705

在里出现了大量的timingCache，但是当时没有取研究这是干啥的，本文就来解析一下。样例都基于上面的文章。

基于Springboot2+Vue2的旅游景点购票系统

自学网站s.jf3q.com,菜鸟的成长之路

12-02

435

本系统是一个集旅游景点信息展示、在线购票、用户游记分享与互动交流于一体的综合性平台。核心价值在于提供便捷的景点门票预订服务，同时构建活跃的旅游社区，促进用户间的经验分享。

Plugin ‘org.springframework.bootspring-boot-maven-plugin‘ not found的解决方法

2509_94105214的博客

11-30

214

尝试使用 VPN 或更换网络环境，然后再次执行 Maven 构建命令。出现这个报错通常是因为 Maven 无法找到相应的 Spring Boot Maven 插件。如果仍然有问题，请提供更多详细信息，例如完整的错误堆栈跟踪和你的 Maven 配置，以便我更好地帮助你解决问题。如果没有，可以将相应的配置添加到父项目的。执行 Maven 的清理命令，然后重新构建项目。这将清除所有已编译的类文件和错误的依赖缓存，并重新下载正确的依赖。如果你的项目是基于父项目的，检查父项目的。

Java 缓冲区优化

qq_43427354的博客

12-02

453

在 Java 中，缓冲区（Buffer）是一块用于临时存储数据的内存区域，核心作用是协调数据生产者和消费者的速度差异，减少频繁 I/O 操作或数据拷贝的开销，提升程序性能。它本质是 “数据中转站”，避免了直接对原始数据源（如文件、网络流、数组）的频繁读写，通过 “批量处理” 优化效率。

蓝桥杯20534爆破 java

最新发布

2302_80219214的博客

12-02

661

我们可以用Prim 算法，该算法的核心是从一个起点开始，逐步将距离当前连通集合最近的节点加入集合，最终形成最小生成树。

07_Spring AI 干货笔记之提示词

在科技的浪潮中，我们寻找着创新的火种，在代码的海洋里，我们编织着智慧的网。腾飞开源，就是这样一个由技术精英汇聚而成的博客平台，我们致力于分享在Java、Python、IoT和人工智能等领域的最新研究成果和实战经验。在腾飞开源的博客上，你会看到紧跟技术前

11-30

1692

本文详细介绍了Spring AI中的提示词核心概念与API设计。提示词作为引导AI模型生成特定输出的关键输入，其结构从简单字符串演进为包含多角色消息的复杂形式。Spring AI通过Prompt和Message接口提供结构化提示词管理，支持系统、用户、助手等角色分配。PromptTemplate类实现动态内容渲染，并支持自定义模板引擎。文章还涵盖提示词工程的最佳实践与令牌机制，为开发者提供完整的提示词设计解决方案。

医院随访管理系统源码患者随访管理系统源码智能随访系统源码出院随访系统源码，基于Java+Vue前后端分离架构

爱笑的源码博客

11-29

409

摘要：医院随访管理系统是一款基于Java+Vue前后端分离架构开发的智能平台，集成了患者信息管理、随访计划设定、自动提醒等功能。系统支持个性化随访计划制定（按病种/药品/患者分类）、内置丰富的随访知识库和问卷模板，提供本地电话接入和录音功能。通过自动推送提醒、多形式随访记录、审核管理和数据分析等功能，有效提升诊后随访效率和质量，为临床治疗优化和药品疗效评估提供数据支持。系统采用Springboot+MySQL技术栈，实现医院随访工作的规范化、智能化管理。

XGboost构造思路

04-24

### XGBoost 构造思路及算法原理 XGBoost 是一种基于梯度提升决策树（Gradient Boosting Decision Tree, GBDT）的机器学习算法，其核心目标是通过构建一系列加法模型来最小化给定的目标函数。以下是关于 XGBoost 的构造思路和工作原理的具体分析： #### 1. **目标函数的设计** XGBoost 的目标函数由两部分组成：训练数据上的预测误差和模型复杂度的惩罚项。这种设计使得 XGBoost 不仅能够很好地拟合训练数据，还能有效防止过拟合。目标函数可以表示为： \[ Obj(\theta) = L(\theta) + \Omega(f_k) \] 其中 \(L(\theta)\) 表示损失函数，用于衡量模型预测值与真实值之间的差异；而 \(\Omega(f_k)\) 则是一个正则化项，用来控制模型复杂度[^2]。具体来说，对于第 \(k\) 棵树，目标函数可进一步展开为： \[ Obj^{(t)} = \sum_{i=1}^n l(y_i,\hat{y}_i^{(t)})+\sum_{j=1}^t\Omega(f_j), \quad t=0,...,T \] 这里的 \(l(y_i,\hat{y}_i^{(t)})\) 是样本 \(i\) 上的真实标签 \(y_i\) 和当前预测值 \(\hat{y}_i^{(t)}\) 的损失函数[^1]。 #### 2. **分裂点的选择** 为了找到最佳的分裂点，XGBoost 使用了一种贪心策略，在每次分裂时计算增益值（Gain）。增益值越大，则说明该分裂越有意义。具体的增益公式如下所示： \[ Gain=\frac{1}{2}\left[\frac{\left(G_L\right)^2}{H_L+\lambda}+\frac{\left(G_R\right)^2}{H_R+\lambda}-\frac{(G_L+G_R)^2}{H_L+H_R+\lambda}\right]-\gamma \] 在这个公式中，\(G_L\) 和 \(H_L\) 分别代表左子节点的一阶导数之和与二阶导数之和，同理定义右子节点的相关量。参数 \(\lambda\) 控制权重平方的 L2 正则化强度，而 \(\gamma\) 则是用来剪枝的一个阈值参数。 #### 3. **叶子结点取值的确定** 当一棵树被完全建立之后，需要决定每个叶节点的最佳输出值。这个过程可以通过求解下面的二次规划问题完成： \[ w_j^\ast=-\frac{G_j}{H_j+\lambda} \] 此处 \(G_j\) 和 \(H_j\) 对应于到达该叶节点的所有样例的一阶导数总和与二阶导数总和[^2]。 #### 4. **并行化处理与高效实现** 虽然理论上每棵树都需要顺序生成，但在实际应用中，XGBoost 提供了一些技巧加速整个流程。比如预排序方法提前准备好候选分割位置的数据结构以便快速访问；还有近似直方图技术减少内存消耗的同时加快运算速度等等[^3]。 ```python import xgboost as xgb from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split data = load_boston() X_train, X_test, y_train, y_test = train_test_split(data.data, data.target) dtrain = xgb.DMatrix(X_train, label=y_train) dtest = xgb.DMatrix(X_test, label=y_test) params = { 'objective': 'reg:squarederror', 'eval_metric': 'rmse' } bst = xgb.train(params, dtrain, num_boost_round=100, evals=[(dtest, 'test')], early_stopping_rounds=10) ``` 上面展示了一个简单的例子演示如何利用 Python 中 `xgboost` 库来进行回归建模操作。 ---