墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
400+累计阅读
489平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
Click on the title to see all pages with this category.
Various approaches and styles for testing software (and possibly other design artifacts?).
双有源桥（DAB）进阶：EPS调制策略与Matlab/Simulink仿真实践
本文深入探讨了双有源桥（DAB）的扩展移相（EPS）调制策略及其在Matlab/Simulink中的仿真实践。通过分析EPS的两种黄金调制策略——回流功率消除和电流应力优化，结合实际工程案例，展示了如何提升DAB系统的效率和性能。文章还详细介绍了Simulink模型搭建要点和关键仿真结果，为工程师提供了实用的技术参考。
测试分类
测试分类：1.按开发阶段分：单元测试，集成测试，系统测试，验收测试 ①单元测试（Unit testing）白–>（模块测试）：单一的对某一模块进行测试 测试单元的最小单位为模块。 ②集成测试（integration testing）灰：也称联合测试，组装测试，将程序模块采用上的集成策略组装起来，对系统的接口及集成后的功能进行正确性检测的测试工作。主要目的是检查软件之间的接口是否正确。 测试阶...
PyCharm启动报错急救指南：3步定位.vmoptions文件位置（Win/Mac路径详解）
本文针对PyCharm启动失败问题，提供了一份详细的急救指南。核心在于精准定位并修复关键的.vmoptions配置文件。文章通过三步法详解了在Windows和macOS系统上查找该文件的具体路径，并分析了因新旧版本冲突、破解补丁残留或参数设置错误导致启动失败的常见场景及解决办法，帮助开发者快速恢复IDE的正常工作。
test category
test category
星网锐捷语音网关密码重置全攻略：两种高效恢复出厂设置方法详解
本文详细解析了星网锐捷语音网关密码重置的两种高效方法，包括通过eth1通用口和eth0管理口的操作步骤。针对不同型号设备，提供硬件连接、Web控制台登录及CRT工具使用的具体指南，帮助用户快速恢复出厂设置并重建语音环境配置。
Spring AI实现RAG（检索增强生成）详解与实践
支持多种文件格式的文档加载实现高效的向量存储和检索构建智能的问答系统提供可追溯的知识服务RAG技术为AI应用提供了强大的知识增强能力，使得模型能够基于实际文档生成准确、可靠的回答。
软件测试类工具大全2009版
【IT168 评论】软件测试类工具大全第一部分，现列举如下，并非百分百全面，仅供测试同行参考： 功能自动化测试工具 厂商 工具名称 * Mercury Winrunner 备注：世界上最古老、经典的测试工具厂商Mercury Interactive公司(2004年改名Mercury)的绝对主打产品，于Loadrunner、Testdirector并称三雄，统...
Emscripten安装（wasm编译）
5:配置对应环境变量--替换成自己对应的安装路径（2025最新的Emscripten工具链默认使用LLVM/WebAssembly标准工作流，java依赖已经移除了，所以以下java环境不配，需要使用java的手动添加即可---->emsdk install java-8-152-64bit。3：下载相应的依赖库---->emsdk install latest（我这里下的是最新的，如果有指定版本，把latest替换成版本号即可）6:测试是否成功---> emcc- v/em++ -v。
java 搭建webservice服务+test客户端测试
整理别人的日志： 一、什么是webservice 一种构建应用程序的普遍模型，可以在任何支持网络通信的操作系统中运行，一种新的web应用程序分支，可以发布、定位通过web调用。它是一个应用组件，为其他应用程序提供数据与服务，各应用程序通过网络协议和规定的一些标准数据格式（http、xml、soap）来访问webservice，通过web service内部执行得到所需的结果。 二、关键的技术
西南科技大学模拟电子技术实验七（集成运算放大器的非线性应用）预习报告
将电位器Rp调至中心位置，用双综示波器观察并绘制方波U0的波形，测量其幅值和频率；将电位器RP调至中心位置，用示波器观察并绘制锯齿波U0的波形，记录；示波器基线调零，Ui输入1000HZ、幅值为2V的正弦信号，观察并记录Ui与U0波形，读出图中波形跳变时的Ui临界值；用万用表电位器RP调至预测结果位置，用示波器观察并描绘三角波输出U0及方波输出uo’，测其幅值、频率及Rp值，记录之。示波器基线调零，U输入1000HZ、幅值为2V的正弦信号，观察UI与U0波形。理论算法公式：当Ui
【项目实战】DevOps制品管理之JFrog Artifactory介绍
JFrog Artifactory是一款领先的二进制软件制品仓库管理工具，由JFrog公司开发。
https://www.cnblogs.com/111testing/category/904496.html
有关jmeter的虽然很少用这工具
ST03N 里看不到 SE38 / SA38？别急，这不是没记录，而是被换了名字
摘要：SAP系统中SE38/SA38事务码在ST03N统计中可能"隐身"，因其对话步骤被归集到对应的程序名(如SE38→RSABAPPROGRAM)。ST03N侧重工作负载聚合统计，而STAD提供短期明细记录。正确排查方法是：在ST03N中搜索程序名而非事务码，再通过STAD验证具体使用情况。这一现象在权限整改和审计中易造成误判，建议将程序名纳入常规监控，并区分ST03N(趋势分析)与STAD(事实校验)的不同用途。
Software Testing Resource
Software Testing - http://en.wikipedia.org/wiki/Software_testing Software Testing Category - http://en.wikipedia.org/wiki/Category:Software_testing 转载于:https://www.cnblogs.com/freesky000/archi...
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
AY写给国人的教程- VS2017 Live Unit Testing[2/2]-C#人爱学不学-aaronyang技术分享
原文:AY写给国人的教程- VS2017 Live Unit Testing[2/2]-C#人爱学不学-aaronyang技术分享谢谢大家观看-AY的 VS2017推广系列Live Unit Testing 目前支持的框架AY当前VS的版本---- 15.7.1打开设置如果你的解决方案，不包括单元测试的项目，你单击了实时单元测试，虽然菜单栏会有停止，暂停，但实际不会运行的。输出窗口也会给提示的哈。...
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
UI Skills CLI 高级用法：如何按分类筛选技能与精确获取 SKILL.md（完整指南）
UI Skills 是一个面向设计工程师的 AI 技能库，其配套的 **UI Skills CLI** 让你只需一条命令，就能按分类筛选技能（`list --category`）并精确获取任意技能的 `SKILL.md` 指令文件（`get`）。本文带你快速掌握这套命令的高级用法：从查看分类目录、按主题筛选技能，到把技能文件精准拉进你的工作流，帮助 AI 代理在 Codex、Cursor、Clau
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');```[](https://bitdeli.com/free "Bitdeli Badge")
awesome-claude-code 本地生成完整指南
awesome-claude-code 把 Claude Code 生态里的 skills、subagents、status lines、开发工具整理成一张按类别排版的 README，而这张 README 不是手写的，是从 CSV 数据表渲染出来的。直接打开 README.md 改一条目，跑一次生成脚本就会被整体覆盖；反过来，加完资源后本地生成报错，又看不出错在哪。 本文解决"在本地把列表跑起来
从入门到上手：awesome-claude-code 一条命令维护 Claude Code 精选资源列表的完整实操
awesome-claude-code 是一个 Claude Code 生态的精选资源库，收录 skills、agents、plugins、MCP 等工具，同时内置一条完整的"CSV → README"自动生成管线。它不只是给你看，还能直接跑起来维护：跟着做一遍，20 分钟你手里就有一个能自动排版、能通过测试的列表生成器。 ## 列表为什么能自动排版：看懂三件套 这一节帮你理解仓库的核心机制，
如何上手 Claude Code 精选资源清单
上周有朋友想给团队挑几个 Claude Code 的插件，让我帮忙选。我翻了半天搜索结果，全是互相抄的帖子，差点劝退。后来找到了 awesome-claude-code 这个项目——一份手工精选的 Claude Code 资源清单，覆盖 skills、插件、状态栏和监控工具，我很快挑出了三个能直接用的。 Awesome Claude Code 是给 Claude Code 做的精选资源清单，相当
3步在本地复刻Claude Code资源清单：断网也能一键生成README
深夜赶工、飞机上没有网络、公司内网屏蔽了外部站点，而你只是想看一眼 Claude Code 生态里最新的技能、状态栏和工具都长什么样——清单页面却打不开。这个仓库恰好把问题反过来了：那份看起来手写的资源清单，其实是由一张 CSV 和一份配置文件生成的，整条生成链路全部在本地跑通，断网状态下照样工作。 ## 三步跑通：克隆仓库、装依赖、一条命令出清单 依赖清单很小，运行期只需要 PyYAML 和
你的项目到底有多少行代码？用 Tokei 一条命令拿到准确数字
向团队汇报或写项目复盘时，“这个项目到底有多少代码”是个绕不开的问题。Tokei 是一个用 Rust 编写的代码行数统计（Lines of Code counting）工具：一条命令递归扫描目录，按语言把文件归类，给出代码、注释、空行三类的行数。 ## 🐧 一键安装 Tokei Tokei 官方提供 macOS、Linux、Windows 的预编译二进制，包管理器是最快的路子。 ### m
如何向awesome-drones开源资源列表贡献内容？你的第一个Pull Request新手教程
awesome-drones 是一个精心整理的无人机（Drones/UAV/Quadcopter）开源资源列表，汇集课程、地面站软件、飞控固件、硬件配件等优质内容。本文面向零基础新手，手把手教你向 awesome-drones 贡献内容：从克隆仓库到发出你的第一个 Pull Request，只需 5 步，改一行 Markdown 就能成为开源贡献者。 ## ✈️ 项目速览：awesome-dro
Awesome Claude Code 离线使用完整指南：断网环境下本地生成资源列表的快速教程
Awesome Claude Code 离线使用的核心思路是：这个 Claude Code 精选资源列表的 README、目录、轮播图全部由本地数据渲染，断网也能完整跑通生成与测试流程。本文给出准备清单、首次跑通步骤、进阶玩法和排错方法。 [
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
484
扫一扫
