测试理解皮毛

原创已于 2025-08-11 15:54:10 修改 · 122 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#测试工具

于 2025-06-04 17:16:53 首次发布

测试专栏收录该内容

1 篇文章

订阅专栏

rnn: 循环神经网络

cnn: 卷积神经网络

agi：artificial general intelligence 通用人工智能，智能。

scaling law: 推理缩放法则；幂律关系。

L0 基础模型- --> （预训练）L1 行业模型-->(FT)L2 场景模型

RAG :research and generation 检索生成

SFT：有监督训练。 RAG 位于比SFT底层一点

应该涉猎： CAD，UG，PROE，SOLIDWORKS，LABVIEW，TESTSTAND，PSIM

看到问题，思考什么时候引入的，现网是否存在。

报告：项目背景，组网配置，测试项目，测试结论

维度：功能，性能，可靠性，兼容性，韧性，安全，易用性，

冒烟：先做基本功能验证，没有通过打回。

准入：转测的准入用例，能跑通在搞。

最小用例集；核心的基本功能用例。适合自动化，每轮搞。

用例格式：编号| 标题(测试点)| 预置条件| 测试步骤| 预期结果

是什么?

看懂代码, 理解代码, 发现代码中的问题. 区别黑盒就是可以直接看代码.

活怎么干 ?

静态分析: 代码检视CR ; 静态代码扫描.

动态分析: 执行程序进行测试, 单元测试, 打桩测试, Debug测试;

白盒覆盖方法: 语句, 判定, 条件, 判定条件,条件组合, 路径.

重点关注啥?

理解代码逻辑和理清数据流.

===================================================

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

醒醒别睡了6

关注关注

2
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

专栏目录

漫谈AI测试

所寫即所思｜一个阿里质量人对测试的所感所悟。

05-22

2124

毫无疑问，未来属于人工智能。它已经进入了我们的日常生活，并被世界各地的大公司所使用。人工智能的适用性似乎无穷无尽。然而，仍然存在许多疑虑和担忧。例如，在自动驾驶汽车的情况下：事故责任、不稳定的物体识别以及与不可预测的人类交通参与者的复杂互动阻碍了它的广泛推广。人工智能的一些可能令人恐惧的影响已经显现出来。人工智能算法可以制造和扩大偏差。例如，在缅甸的种族清洗中，数以万计的罗兴亚人被杀害，100万人流离失所。

软件测试基础

weixin_54564063的博客

11-26

2193

1.软件测试背景引言：软件测试在软件生命周期中占据重要的地位，软件测试慢慢的独立发展成为一个行业，并且在迅猛发展。 1.1. 软件缺陷与软件故障一、软件缺陷与软件故障案例 1.美国迪斯尼公司的狮子王游戏软件BUG 2.火星登陆事故 3.跨世纪“千年虫”问题 4.其他一些例子二、软件缺陷的定义对于软件缺陷的精确定义，通常有下列5条描述： 1.软件未达到产品说明书的功能《需求文档》 2.软件出现了产品说明书指明不会出现的错误 3.软件功能超出产品说明书指明范围 4.软件未达到产品说明书虽未指出但

参与评论您还未登录，请先登录后发表或查看评论

测试人员的角色定位

weixin_38392582的博客

03-13

786

刚开始做测试的朋友很多都在做黑盒测试，而黑盒测试往往对代码编写能力要求不是很高，这样给刚入门的人就造成了一个测试人员不需要太多知识的误解。然而，做测试往往需要很广泛的知识。不仅仅只是专业上的，而且要了解很多开发人员不了解的东西，在一个系统里面开发人员可以只了解客户需求，而我们的测试人员需要了解整个全局的东西。呵呵，感觉有点统筹全局的成就感。不过有时候相对于开发人员来说也的确是这样的。开发人员可以不...

【测试实习生基本要求】

weixin_44154577的博客

03-20

3427

测试实习生基本要求

软件测试概念

yuwenlewhl的专栏

01-18

496

本人从毕业到现在，已经在测试行业摸爬滚打了7-8年了，说实在的很多时候都是在重复着功能黑盒测试，自己也没有好好认真的去学习和深挖测试领域的新技能和方法，所以直到现在都很初级或是懂得很皮毛吧！今天开始，做些关于软件测试领域的理解和自己测试过程中遇到的些问题和工具的使用，也谢谢各位大神的指导！开篇必须做概念性的介绍，从整体层面去了解软件测试究竟是什么，揭开它神秘的面纱。什么是软件测试？软件测试，是一种

接口测试用例代码

一如既往的准备文章

11-02

7181

最近我们组准备开始M项目的接口测试，之前有接触过直接用浏览器或者第三方的工具直接向接口发送请求，检查返回的数据是否正确。本次接口用例代码使用java+TestNg编写，菜鸟级别的我慢慢开始研究和学习，对稍微懂一点的人来说可能都是很简单操作，虽然简单是我慢慢积累的过程，记录下来方便以后复习。一、使用Fiddler2获取接口： Fiddler2是一个网络调试代理，用来监测本地计算机和In

软件测试职业发展的 A 面和 B 面

方子的博客

04-24

2264

1.所谓的软件测试技术到底包含什么？梅子：我先来从传统意义上来谈一下测试技术，主要就是测试分析，测试设计，测试管理，测试执行，自动化测试技术，专项测试技术，缺陷分析技术等。Monkey：对于测试技术，这的确是个很...

功能测试的理解和未来

Eugene

10-08

679

说起功能测试，大家都嗤之以鼻，就是点击界面，像机器人一样天天重复，说白了初中毕业生也能干。每次听到这些言论我都想好好和他聊聊，功能测试涉及业务知识、web前台、oracle数据库、linux后台、日志等。我目前在银行做软件测试，功能测试居多，有时我也会迷茫，功能测试做久了，跳槽找工作没有竞争力，尤其是现在公司都在招测试开发工程师。经过几年的坚持，我发现功能测试不像大众想象的那么糟糕，对

“测试开发”我们应该会些什么

旦莫的博客

10-16

1972

先说测试开发这个职位，其实有很多定义：测试会代码、专门开发工具或者测试平台的测试、什么都会的测试等等其实，我要说的是，叫什么或者怎么定义不重要，重要的是，在当下做测试你要让自己朝着与开发比肩甚至超越开发技术能力去发展。互联网行业中测试开发应该具备哪些能力，我认为我们应该掌握的能力有两个大方面：工作硬实力 + 工作之外的探索学习能力工作硬实力这方面是我们应该培养的基本能力，就测试开发来说，针对互联网行业，我们应该从以下几点去学习：计算机基础软件测试理论操作系统计算机网络数据

标准测试图像.zip

05-25

在IT领域，尤其是在图像处理和计算机视觉中，标准测试图像起着至关重要的作用。这些图像被广泛用于评估和比较不同的...通过深入理解和利用这些图像，我们可以更好地理解并改进图像处理技术，推动整个行业的创新和发展。

在做性能测试之前需要知道什么

03-23

虽然，虽然对现在的我来说性能测试也只是只懂皮毛。但还是希望通过我这篇文章能让那些新手们对于性能测试有个入门的了解。　最近群里来了很多新朋友，大都是新做测试或准备做测试工作的，见好多新来上来就问关于...

SpringMVC02：扩展知识

清晓粼溪的博客

12-05

627

本文介绍了RESTful架构风格、全局异常处理机制和拦截器的使用。RESTful通过URI表示资源，使用HTTP方法（GET/POST/PUT/DELETE）进行操作，支持JSON/XML格式和无状态通信。全局异常处理采用声明式方式，通过@RestControllerAdvice和@ExceptionHandler统一管理异常。拦截器在SpringMVC中用于预处理和后处理请求，可实现权限验证、日志记录等功能，与过滤器相比可直接获取IOC容器支持。文章还演示了参数校验的实现，使用JSR303标准注解配合Hi

Pytest教程： Pytest ini配置文件深度剖析

旦莫的博客

12-05

Pytest的灵活性很大程度上得益于其配置系统，其中ini配置文件（尤其是pytest.ini）作为最核心的配置载体，承担着用例发现规则定义、运行参数设置、插件配置等关键职责。掌握ini配置文件的使用技巧，能让我们的测试工作更高效、更规范。本文将从基础概念出发，逐步深入ini配置文件的核心配置项、实战场景应用、进阶技巧及问题排查，带大家全方位解锁Pytest ini配置的奥秘。

Flutter 测试体系全栈指南：从单元测试到 E2E，构建坚如磐石的高质量应用

2501_93814044的博客

12-05

940

Flutter 测试体系全栈指南：从单元测试到 E2E，构建坚如磐石的高质量应用

spring mvc 自定义Converter 设置

qq_43100154的博客

12-02

260

我们在开发过程中，前端页面传过来的参数类型并都不是后端所期待的，前端传递过来的参数我们后端不能处理就会报错。因为spring MVC并不知道怎么将 “玳瑁,1” 转换成他理解的样子。这个时候我们需要一个自定义 configure。发现这是一个接口，在这个接口中有一个方法。前端传递过来的是字符串，返回后端报错。添加类型转换器和格式化器。

《Java Web 期末项目分享：MVC+DBUtils+c3p0 玩转数据库增删改查》——第一弹

zzy_wqe的博客

12-04

969

编写登录表单，提交到 LoginServlet；可读取 Cookie 自动填充用户名。启动 Tomcat，测试登录、增删改查是否正常（检查数据库数据变化、页面显示是否正确）；：编写表单，提交到对应 Servlet，实现数据录入 / 回显。确保未登录时直接访问 Servlet 会跳转到登录页。添加空值判断、数据库操作异常捕获，给出友好提示；

SpringMVC底层流程解析

qq_43253125的博客

12-03

605

会创建一个Spring容器，并且添加一个ContextRefreshListener监听器，该监听器会监听ContextRefreshedEvent事件（Spring容器启动完成后就会发布这个事件），也就是说Spring容器启动完成后，就会执行ContextRefreshListener中的onApplicationEvent()方法，从而最终会执行DispatcherServlet中的initStrategies()。是一个User对象呢？该怎么把这些复杂对象响应给浏览器呢？

MVC和MVVM

最新发布

超胆孤侠

12-06

245

我应该怎么做，现在我必须使用kaggele的amazon reviews数据集，我怎么了解这个数据集是干什么的，里面的两个csv文件打开都是英文，都看不懂，一个40万条数据，一个一百多万条数据，我是一个新手小白，没学过机器学习和数据科学，只了解Python的一点点皮毛，请你一步步引导我，完成这个机器学习课程实验，任务驱动型教我

11-19

<think> 我们面对的是一个完全没有机器学习基础的新手，且他看不懂数据集的英文内容。我们需要从最基础的步骤开始引导，包括： 1. 如何下载和查看数据集（解决看不懂英文的问题） 2. 数据预处理（包括翻译或解释字段） 3. 简单的机器学习流程（因为他没有基础，所以要用最简单的模型，比如逻辑回归） 4. 评估模型根据引用[4]，我们可以将数据集翻译为中文，但要注意处理翻译后的格式问题（如乱码和多余逗号）。同时，我们可以使用mlcrate（引用[3]）这样的工具库来简化操作。步骤规划： 1. 环境准备：安装必要的库（pandas, scikit-learn, mlcrate等） 2. 获取数据：从Kaggle下载Amazon reviews数据集（可能需要先注册Kaggle，安装kaggle的API） 3. 数据翻译：将列名和文本内容翻译成中文（可选，但考虑到用户看不懂英文，建议至少翻译列名） 4. 数据预处理：清洗数据，处理缺失值，将评分转换为情感标签（正面、负面、中性） 5. 特征提取：使用TF-IDF（简单且有效）将文本转化为向量 6. 模型训练：使用逻辑回归（简单且适合文本分类）训练模型 7. 模型评估：计算准确率、召回率、F1值 8. 结果分析：展示模型效果，并分析一些评论的情感由于用户是新手，我们尽量简化步骤，避免复杂的模型和特征工程。具体步骤：步骤1：安装必要的库在命令行中运行： ```bash pip install pandas scikit-learn mlcrate ``` 步骤2：下载数据集首先，需要注册Kaggle账号，然后在Kaggle上找到Amazon reviews数据集（例如：https://www.kaggle.com/snap/amazon-fine-food-reviews）然后，使用Kaggle API下载（需要先配置API token）或者手动下载并放到工作目录。步骤3：读取数据集并翻译列名（如果用户需要）假设数据集有两个CSV文件，我们以Reviews.csv为例（通常这个文件包含评论）。我们可以将列名翻译成中文，并保存为新的CSV文件，方便查看。步骤4：预处理数据将评分（Score）转换为情感标签： 1-2星 -> 负面（0） 3星 -> 中性（1）【或者根据需求，我们也可以忽略中性，只做二分类】 4-5星 -> 正面（2）但为了简单，我们先做二分类（忽略中性评论），即只保留正面和负面。步骤5：文本预处理包括去除特殊字符、分词、去除停用词（可以使用中文停用词表，但我们的数据是英文的，所以使用英文停用词表）等。但考虑到用户是新手，我们可以先用最简单的文本清洗，然后使用TF-IDF。步骤6：使用TF-IDF向量化文本使用sklearn的TfidfVectorizer。步骤7：划分训练集和测试集步骤8：训练逻辑回归模型步骤9：评估模型步骤10：使用模型进行预测由于用户看不懂英文，我们可以将预测结果（英文评论）翻译成中文展示。代码示例：注意：翻译整个数据集可能耗时且没有必要，我们只翻译列名和最后展示的少量评论。下面我们逐步写代码，并添加详细注释。 </think>我将引导你从零开始完成Amazon评论情感分析实验，即使你没有任何机器学习基础。我们从解决基础问题开始：处理数据集和语言障碍。 ### 第一步：解决数据集和语言问题 #### 1. 下载并理解数据集 ```python # 安装Kaggle API（首次使用） !pip install kaggle # 下载Amazon评论数据集 !kaggle datasets download -d snap/amazon-fine-food-reviews # 解压文件 import zipfile with zipfile.ZipFile('amazon-fine-food-reviews.zip', 'r') as z: z.extractall() ``` #### 2. 翻译数据集（使用引用[4]方法） ```python import pandas as pd # 读取原始英文数据 reviews = pd.read_csv('Reviews.csv') # 只翻译关键列（节省时间） reviews['中文产品名'] = reviews['ProductId'].apply(lambda x: f"产品ID:{x}") reviews['中文摘要'] = reviews['Summary'].apply(lambda x: f"摘要:{x[:30]}...") reviews['中文评分'] = reviews['Score'].apply(lambda x: f"评分:{x}星") # 保存简化后的中文数据集 reviews[['中文产品名', '中文摘要', '中文评分']].to_csv('中文评论.csv', index=False) ``` #### 3. 理解关键字段（对照表） | 英文字段 | 中文含义 | 示例 | |---------|---------|------| | `ProductId` | 产品唯一ID | B001E4KFG0 | | `UserId` | 用户唯一ID | A3SGXH7AUHU8GW | | `Score` | 评分(1-5星) | 5 → 五星好评 | | `Summary` | 评论摘要 | "Best product ever!" | | `Text` | 详细评论 | "I use this every day..." | ### 第二步：基础环境搭建 #### 1. 安装必要工具 ```bash pip install pandas numpy matplotlib seaborn pip install scikit-learn nltk ``` #### 2. B站学习资源推荐（零基础友好） 1. **Python数据分析入门** UP主：黑马程序员内容：Pandas数据处理基础 BV号：BV1hk4y1C7Sx 2. **机器学习快速入门** UP主：菜鸟程序员内容：Scikit-learn实战指南 BV号：BV1gJ411p7xC 3. **NLP文本处理实战** UP主：Python研究者内容：中文文本清洗与分词 BV号：BV1LQ4y197P1 ### 第三步：逐步实验指导 #### 实验1：数据探索 ```python import pandas as pd import matplotlib.pyplot as plt # 读取数据 data = pd.read_csv('中文评论.csv') # 查看评分分布 plt.figure(figsize=(10,6)) data['中文评分'].value_counts().plot(kind='bar') plt.title('评分分布情况') plt.show() ``` #### 实验2：情感标签转换 ```python # 创建情感标签列 def get_sentiment(score): if score >= 4: return '积极' elif score <= 2: return '消极' else: return '中性' data['情感'] = data['Score'].apply(get_sentiment) # 查看分布 print(data['情感'].value_counts()) ``` #### 实验3：文本预处理 ```python from nltk.corpus import stopwords import re # 下载停用词 import nltk nltk.download('stopwords') def clean_text(text): # 1. 保留基础字符 text = re.sub(r'[^a-zA-Z\s]', '', text) # 2. 转为小写 text = text.lower() # 3. 分词 words = text.split() # 4. 去停用词 stops = set(stopwords.words('english')) words = [w for w in words if w not in stops] return " ".join(words) data['清洗文本'] = data['Text'].apply(clean_text) ``` #### 实验4：情感分类模型 ```python from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.naive_bayes import MultinomialNB from sklearn.model_selection import train_test_split # 1. 划分数据集 X_train, X_test, y_train, y_test = train_test_split( data['清洗文本'], data['情感'], test_size=0.2 ) # 2. 文本向量化 vectorizer = TfidfVectorizer(max_features=1000) X_train_vec = vectorizer.fit_transform(X_train) X_test_vec = vectorizer.transform(X_test) # 3. 训练朴素贝叶斯模型 model = MultinomialNB() model.fit(X_train_vec, y_train) # 4. 评估模型 accuracy = model.score(X_test_vec, y_test) print(f"模型准确率: {accuracy:.2f}") ``` ### 第四步：结果分析 ```python # 各类别产品的情感分布 product_sentiment = data.groupby('ProductId')['情感'].value_counts(normalize=True) print("最受欢迎产品TOP5:") print(product_sentiment['积极'].sort_values(ascending=False).head(5)) # 制作词云 from wordcloud import WordCloud positive_text = " ".join(data[data['情感']=='积极']['清洗文本']) wordcloud = WordCloud(width=800, height=400).generate(positive_text) plt.imshow(wordcloud) plt.title("积极评论高频词") plt.axis('off') plt.show() ``` ### 学习路线图 1. **第1周**：学习Python基础 + Pandas数据处理（B站资源1） 2. **第2周**：掌握数据可视化 + 基础统计 3. **第3周**：学习文本预处理技术（B站资源3） 4. **第4周**：理解机器学习基础概念（B站资源2） 5. **第5周**：完成情感分析项目 6. **第6周**：尝试模型优化与部署 > 提示：在Kaggle上注册账号，使用其免费GPU加速实验（引用[2]）