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
900+累计阅读
908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
什么是一个好的测试！
1. 一个好的测试能够发现更多的没有被发现的错误
为了达到这个目标，测试人员必须很好的理解这个软件，并且能够设想如何才能导致软件的错误产生。
2. 一个好的测试并不冗余
由于时间和资源的限制，没有必要设计一个与原来用例完全相同的测试用例，每一个测试用例都要有自己的用途，哪怕是只有细微的差别
3. 一个好的测试用例，应该是“最佳品种”
由于时间和资源的关系，可能并不是每个测试用例都能够被执行到，应该使用那些最能够找到错误的测试用例
4. 一个好的测试既不会太简单，也不会太复杂
Camera 基础知识
Raw Sensor输出的Data格式为Raw，图像的效果处理使用BB端的ISP，BB端接收Raw data后进行一系列的图像处理（OB，Shading，AWB，Gamma，EE，ANR等），效果方面由BB端控制，需要针对不同的模组进行效果调试，Raw sensor是目前的主流，数据量比YUV Sensor小（RAW10 格式的sensor 1个pixel 10个bit）使用平台ISP处理，能支持较大的size。不过，相位对焦并不是那么完美，它对光线的要求就比较高，在弱光拍摄环境下，相位对焦就无能威力了。
一个好的测试是什么
作者：Andrew Trenk 原文链接： http://googletesting.blogspot.tw/2014/03/testing-on-toilet-what-makes-good-test.html 单元测试是验证我们的代码是否正确的重要工具，但是编写一个好的测试不仅仅是为了验证正确性--- 一个好的单元测试应该体现其他更多的特性来确保可读性和可维护性。 一个好
eDP/DP接口简介
目前，在视频传输协议以及接口领域，外部接口主要是DP与HDMI两分天下，当然之前出现过很多接口-VGA, DVI等等，最新平台基本以这两个为主；笔记本内部接口就基本上使用eDP((Embedded Display Port))作为标准接口来驱动液晶屏了。那么问题来了，eDP和DP，是完全兼容的么？eDP，DP，HDMI，这三种接口的显示器，可以插在同一个接口上使用么？这篇文章，就会从硬件和一部分协议的角度分析一下这三大协议。
什么是“好的”测试用例？
“好的”测试用例必须具备哪些特征？ 一个“好的”测试用例，必须具备以下三个特征。 1.整体完备性： “好的”测试用例一定是一个完备的整体，是有效测试用例组成的集合，能够完全覆盖测试需求。 2.等价类划分的准确性： 指的是对于每个等价类都能保证只要其中一个输入测试通过，其他输入也一定测试通过。 3.等价类集合的完备性： 需要保证所有可能的边界值和边界条件都已经正确识别。 三种最常见的测试用例设计方法 从理论层面来讲，有很多测试用例设计方法，让人眼花撩乱，比如：等价类划分法、边界值分析法、错误推
ncl泰勒图（均方根误差、标准差、相关系数）
ncl泰勒图（均方根误差、标准差、相关系数）
AUTOSAR CAN通信全过程
首先，从AUTOSAR架构上来说，一个完整的CAN通信的过程涉及到了包括硬件、AUTOSAR中间件和上层应用层软件；在硬件部分来说，涉及到的是CAN 总线和CAN的收发器；软件部分的话，涉及到的概念是MCAL（微控制器抽象层）、BSW（基础软件层）、RTE（实时运行环境）、APPL（应用层）等；其中MCAL部分用到了通信驱动模块，而BSW部分使用到了通信服务模块和通信硬件抽象模块；由于笔者是做MCAL和BSW的，至于应用层部分的知识就暂且不具体介绍了；
什么才算好的测试用例
对于测试用例来讲，“好的”测试用例一定是一个完备的集合，能够覆盖所有的等价类以及各种边界值，而跟能否发现缺陷无关。 如果把测试软件看做一个池塘，软件缺陷是池塘中的鱼，建立测试用例集的过程就像是在编织一张捕鱼网，“好的”测试用例集就是一张能够覆盖整个池塘的大鱼网，只要池塘里面有鱼，这个大渔网就一定能把鱼给捞上来。 如果渔网本事是完整的且合格的，那么捞不到鱼，就证明池塘里面没有鱼，而渔网的好坏与池...
rsyslog交叉编译（armv7、armv8、aarch64、arm32平台通用）
该文档描述了如何交叉编译rsyslog到arm64嵌入式平台。
什么样的测试人员是好的测试人员
我带过多个开发团队和测试团队，说说我心目中好的测试人员。希望对大家以后的职业生涯有帮助。1工作积极主动 工作态度如何，是评价一个测试人员最主要的方面，一个高水平的测试人员（指纯技术能力）如果没有一个好的工作态度，在测试团队中有时候不但不能对测试工作起到推动作用，有时候还起到阻碍作用，而一个愿意工作的测试人员，哪怕他的技术水平不高，人也不聪明，但对自己的工作认真负责，你告诉他的事情，他都可以认真
SAP ABAP CDS View 里的日期函数
摘要：本文系统介绍了ABAP CDS日期函数在企业级应用中的关键作用，包括账龄计算、合同续期等业务场景。重点解析了DATS_IS_VALID、DATS_DAYS_BETWEEN等核心函数的语义和使用边界，特别强调on_error四种异常处理策略的选择逻辑。针对系统日期获取，对比了经典CDS的参数注入和View Entity会话变量两种方式。文章还提供了完整可运行的示例代码（包含CDS视图和ABAP程序），帮助开发者快速验证不同版本下的函数行为差异，确保在实际项目中正确应用这些日期处理函数。（149字）
第八节：Orin NX 修改pinmux
读SPI1对应的寄存器，看对应的GPIO口是否被复用为SPI功能。说明GPIO口的功能已经被复用为SPI。烧录或者命令行烧录，都是根据。这里我们把文件统一命名成。文件，Orin NX的。测试SPI功能，基于。
什么叫好的测试用例
1、用例覆盖程度 毫无疑问，这一点应该是最重要的，无需多说，覆盖率最大化是一套测试用例的最重要评价标准，如果漏测就杯具了。 2、用例是否已经达到工作量最小化 在满足用例覆盖程度最大化的前提下，应该尽量减小执行用例所需要的工作量。这些方面的方法有不少，如条件覆盖，分支覆盖，正交覆盖等方法。面对不同的测试对象，也有不同的方法来保证：对于网页背后的php逻辑，可以通过在网页上测试后，用一些工具比...
14 硬件工程师笔面试高频考点真题解析——逻辑门
逻辑门是数字电路的基本单元，实现布尔运算（如与、或、非、异或等）。OC门（集电极开路）和OD门（漏极开路）需外接上拉电阻，支持“线与”逻辑，适用于I2C总线等场景，避免推挽输出并联导致的短路问题。三态门具有高、低、高阻三种状态，用于总线分时复用。推挽输出因内置上下管，禁止并联，否则会引发电源短路。三者区别在于：推挽驱动强但不可并联；OC/OD需上拉，支持线与；三态门通过使能控制实现高阻隔离，适用于共享总线设计。
如何设计一个“好的“测试用例?
边界值分析是对等价类划分的补充，你从工程实践经验中可以发现，大量的错误发生在输入输出的边界值上，所以需要对边界值进行重点测试，通常选取正好等于、刚刚大于或刚刚小于边界的值作为测试数据。最后，如果想设计一个"好的"测试用例，你必须要深入理解被测试软件的架构设计，深入软件内部的处理逻辑，需求覆盖路和代码覆盖率这两个指标可以帮你衡量测试执行的完备性。首先，你需要明白，"好的"测试用例一定是一个完备的集合，它能够覆盖所有等价类以及各种边界值，而能否发现软件缺陷并不是衡量测试用例好坏的标准。
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
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")
如何设计一个“好的”测试用例
什么才算是“好的”测试用例？ 什么才是“好的”测试用例，这个“好”又应该体现在哪些方面。这是一个看似简单实则难以回答的问题，即使深入思考后，也很难有非常标准的答案。 通常，你的第一反应很可能会是“发现了软件缺陷的测试用例就是好的用例”，我可能会反问你“如果说测试用例发现了缺陷就是好用例，那么在该缺陷被修复后，同样的用例难道就不是好用例了吗？”。 你可能还会说“发现软件缺陷可能性大的...
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
如何设计一个“好的”测试用例？
在正式开始讨论之前，我先跟你聊聊，什么才是“好的”测试用例，这个“好”又应该体现在哪些方面。这是一个看似简单实则难以回答的问题，即使深入思考后，也很难有非常标准的答案。 通常，你的第一反应很可能会是“发现了软件缺陷的测试用例就是好的用例”，我可能会反问你“如果说测试用例发现了缺陷就是好用例，那么在该缺陷被修复后，同样的用例难道就不是好用例了吗？”。 你可能还会说“发现软件缺陷可能性大的测试用例...
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
如何理解一个"好的"测试用例？
"好的"测试用例一定是一个完备的集合，它能够覆盖所有等价类以及各种边界值，而跟能否发现缺陷无关举栗子被测软件——鱼塘软件缺陷——鱼测试用例集——渔网"好的"...
PAT题库“写出这个数”测试点一个错误，求帮助
1002 写出这个数,求大佬帮助 PAT题库，一个测试点过不去，求大佬帮助 #include<stdio.h> #include<stdlib.h> int main(){ char s[100]; char *p=s; scanf("%s",p); char str[10][10]={"ling","yi","er","san","s
如何设计一个“好”的测试用例
“好”的测试用例是一个完备的集合，能够覆盖所有等价类以及各种边界值，能否发现软件缺陷并不是衡量用例好坏的标准
测试理论之如何设计一个“好的”测试用例
为了保证软件系统的质量，测试用例的设计不仅需要考虑功能性需求，还要考虑大量的非功能性需求。 功能性需求：指的是软件本身需要实现的具体功能 非功能性需求：主要涉及安全性、性能以及兼容性三大方面 在测试中，测试用例设计是不可穷尽的。那如何才能设计一个"好的"测试用例 什么样的测试用例才是"好的"？ “好的"定义是什么，衡量的标准又是什么？若定义只有发现软件缺陷的才是"好的"测试用例，那系统若无缺陷，那是否所有的测试用例都不是"好的”。 "好的"测试用例一定是一个完备的集合，它能够覆盖所有等价类以及各种边界值，而
02 | 如何设计一个“好的”测试用例？
在上一篇文章中，我以“用户登录”这一简单直接的功能作为测试对象，为你介绍了如何设计测试用例。现在你应该已经知道，为了保证软件系统的质量，测试用例的设计不仅需要考虑功能性需求，还要考虑大量的非功能性需求。 那么，今天我会重点和你探讨如何才能设计出一个“好的”测试用例。 什么才算是“好的”测试用例？ 在正式开始讨论之前，我先跟你聊聊，什么才是“好的”测试用例，这个“好”又应该体现在哪些方面。这是一个看...
测试图像 “monarch”_测试探针装配 一个关于测试探针问题
分两种。半导体表面物理测试的探针，高能射束探针。对电路板手动或自动测试的机械探针，里面一定是有弹簧的。其精密机械加工水平了得。探针的机械动作分手工、电动和自动。测试结果的分析分人工读取仪表测量值，和自动分析。国外大约在30年前就有了。1983年国内就进口过。当时的元器件装配密度低些，相应探针的尺寸就大些。飞针测试机的什么是飞针测试？飞针测试机是一个在制造环境测试PCB的系统。不是使用在传统的在线测...
选项在哪_心理测试：“木”字加一笔，你想起了哪一个字？测你隐藏的优点
阅读本文前，请您先点击上面蓝色字体“恋情屋”再点击“关注”，这样您就可以免费收到我们的最新内容了，每天都会有更新，完全是免费订阅，请放心关注。 注：本文转载自网络，如有侵权，请联系我们进行删除，谢谢！心理测试：“木”字加一笔，你想起了哪一个字？测你隐藏的优点A、B、C、选择A选项，隐藏的优点是老实木字加一笔，你最先想到的文字是本...
你与“优秀”只差一个好的测试用例
1）UE体验（1）布局与交互图保持一致；（2）真机效果与UE图没有视觉上的严重偏差，如字号，字体大小，加粗，字体颜色，行高，行间距，按钮摆放位置，间隔，尺寸等；（3）资源图正确使用，没有不必要的拉伸，压缩或其他效果；（4）各种提示，文字通顺不产生歧义，展示符合用户使用习惯；（5）动画效果不卡顿，正常展现。2）页面操作（1）是否有防重复点击，即连续快速点击不会出现多个页面或弹窗（2）单指滑动，单指单击，单指双击，单指长按，单指缩放，多指点击（3）摇一摇，横竖屏切换，前后台切换。
从“如何测试一个杯子”理解功能、界面、性能、安全测试?
测试分为很多种,比如功能测试，界面测试，性能测试...那怎么区分他们之间的区别呢？ 现在我们借用“如何测试一个杯子”来形象给大家说明下各种测试的区别。好，现在开始： ------------功能测试--------- 能否装水， 除了装水， 能否装其他液体。比如可乐，酒精 能装多少ML的水 杯子是否有刻度表 杯子能否泡茶...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3062
扫一扫
