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
7k累计阅读
7k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
一直觉得自动化测试很神秘，没想到研究了下入门还蛮简单，找了一款中文版的工具apipost，非常简单和好用，
官网有文档，https://doc.apipost.cn/190045e91288b430 ，遇到问题还可以去社区去提问，
先简单说明下，我下载的是桌面版本，
新建一个测试案例，
通过编写测试用例来确定测试结果，
通过这个按钮还可以模拟安卓和ios的测试，
测试json接口，通过去json串中解析数据来判断执行结果是否正确，
有多个案例的话新建测试流程，然后批量执行，执行时可以设置环境变量，提前准备测试数据
Apipost--软件测试
Apiost集合了接口调试+接口文档快速生成+接口文档规范化管理+Mock API+接口流程测试的功能，可以实现后端、前端、测试同时在线编辑。工作内容实时同步，符合国人的使用习惯且都是中文展示。
apipost接口测试详细步骤
apipost接口测试详细步骤，小白入门基础了解
2024接口测试实战：Apipost工具入门与自动化测试体系构建
接口测试是保障软件质量的关键环节，它聚焦于系统间通信的“契约”验证，确保数据交换的准确性与可靠性。其核心原理在于模拟客户端请求，对服务端接口的功能、性能、安全及异常处理能力进行系统化验证。掌握接口测试技术，能有效实现测试左移，在开发早期发现缺陷，显著提升软件交付效率与稳定性，降低线上故障风险。这一技术广泛应用于前后端分离开发、微服务架构验证以及持续集成/持续交付（CI/CD）流程中。本文将以国内流行的Apipost一体化工具为例，详细讲解如何从零搭建涵盖接口调试、Mock服务、数据驱动测试到自动化集成的完整
Apipost——中文版的Postman？
首先不得不说Apipost是真的方便，之前用过一段时间Postman，遇到英文每次要百度，烦，之后听朋友介绍Apipost，说是中文版的Postman所以换了apipost，这个基本上脚本，文档都可直接导入，切换也很方便，省了很多事。 Apipost产生的初衷是为了提高研发团队各个角色的效率！产品的使用受众为前端开发、后端开发和测试人员以及技术经理组成的整个研发技术团队。Apipost的两大核心也就应运而生。 之前一直觉得重新适应一款新的测试工具是一件很麻烦的事，不过听朋友说他入门工具也是用的Api..
使用Apipost自动化测试工具来优化测试流程
Apipost 是一款 API 接口管理工具，它可以创建、编辑和分享 API 接口文档，进行接口测试，压力测试，自动化测试，以及生成各种报告。
消费级显卡跑大模型：RTX 3060 12G 部署 70 亿参数 AI 编程助手的优化实战
本文详细介绍了如何在消费级显卡RTX 3060 12G上，通过量化、投机解码和分页KV-Cache等核心优化技术，成功部署并流畅运行70亿参数的CodeLlama-7B编程助手。文章提供了从环境配置、模型准备到参数调优的完整实战笔记，实测显存占用降至7.3GB，生成速度达21.7 token/秒，为开发者和技术爱好者提供了可行的本地AI部署方案。
国产化的接口测试、接口自动化测试工具Apipost的介绍及使用
首先打开ApiPost界面点击新建，选择POST请求，输入url，请求参数选择json，输入对应的请求参数，点击发送，就可以请求成功啦。Apipost 是接口管理、开发、测试全流程集成工具，能支撑整个研发技术团队同平台工作，主要使用者为前端开发、后端开发、测试人员。在Apipost中可以对接口进行并发测试，点击一键压测，输入并发数和时间/轮次，即可开始测试。可以配置自动化测试脚本，根据场景配置合适的控制器即可开始测试，测试完生成测试报告。直接在Apipost官网下载即可，或在官网直接进入web端。
NVIDIA Jetson Xavier NX刷机教程
NVIDIA Jetson Xavier NX刷机教程，分别安装OS和SDK的经验分享
【软件测试】接口测试工具APIpost
说实话，了解APIpost是因为，我的所有接口相关的文章下，都有该APIpost水军的评论，无非就是APIpost是的postman，有多么多么好用，虽然咱也还不是什么啥网红，但是不知会一声就乱在评论区打广告，实在气愤，一律删帖。但是，看的多了，也就有了装一下看看的冲动了，就冲着这中文版本更友好，乐此不疲来知乎蹭热度的毅力，也体验一把这个中文版postman吧，毕竟有不少身边的朋友、同事抱怨postman是英文版，用起来有障碍，就算是能破解，也不是很方便，能有一个纯中文版本、又不难用的。
Java + Selenium + TestNg + Allure Web UI 自动化
我们知道，在Python中针对Web UI自动化有Python + Selenium + Pytest/Unittest +Allure的技术栈。那么对于Java而言，也有其独特的Web UI 自动化技术栈。相同的，我们同样的运用Selenium框架，测试报告同样运用Allure。不同的是，我们运用的语言由Python转化为了Java，测试用例管理框架从Pytest转化为了TestNG。
详解Nacos集群搭建
在我们日常的开发当中，用的都是单点Nacos，这种模式，我们自己开发测试玩一玩还可以，但是到了企业的生产环境之下，你还这么玩的话，那肯定是要出大问题了。因为在企业当中，我们更加强调的是高可用，所以在企业的生产环境下，Nacos一定要做成个集群。
面试时如何回答接口测试怎么进行
会更好，所以目前市面上的公司对于接口测试越来越重要，因为接口测试介入的时间比较早，一般在界面还没开发出来就进行接口测试（当然如果有界面也是开发工程师开发出来后的界面），这样不但可以节省后期测试时间和成本，同时也为软件质量提前把了一道关。接口文档内容包括 接口请求参数描述，接口响应参数描述，接口请求数据描述，接口之间逻辑描述，接口请求案例，接口响应案例。接口文档的存在意义在于测试与开发形成一个规定规范，开发按照接口文档去开发，测试按照接口文档去测试。关注接口与接口之间的参数传递。关注接口中的请求参数。
【冷冻电镜】RELION5.0使用教程总结
对于您自己的数据，您可能希望使用各种倾斜系列对齐方法，然后比较每种方法生成的断层扫描图像的质量（参见下一步）。通过检查 CtfFind job 的 tilt_series 目录中的star文件来检查几个倾斜系列的散焦值。GitHub上也有人反应这个问题，目前我的解决方案是下载了较低版本的CTFFIND的，降级到4.1.10可以成功运行。此外，logfile.pdf 文件包含所有显微照片的有用参数图，例如散焦、像散、估计分辨率等，以及整个数据集中这些值的直方图。的目录，以及指向此目录的符号链接。
全网详细接口测试ApiPost详细教程（实战），吐血整理
一、前言 二、API 请求响应 三、返回Headers 四、响应结果分屏展示 五、使用断言 ApiPost不仅仅是一个调试工具，更是一个接口文档快速生成工具 针对测试人员 接口调试 利用ApiPost进行常规的接口调试功能 接口自动化测试 利用ApiPost提供的断言和流程测试功能，进行接口的流程化测试 后端人员可以通过ApiPost在编写、测试接口的同时快速的、自动生成漂亮、规范的接口文档。相同的时间完成2件事情，大大提升后端开发效率
从‘数字分身’到‘数字员工’：华为云MetaStudio如何重塑企业生产力？
本文探讨了华为云MetaStudio如何通过数字人技术重塑企业生产力，从数字分身到数字员工的转变。通过多模态AIGC技术，MetaStudio在金融、零售和制造业等多个行业实现高效应用，显著提升服务质量和运营效率。数字员工不仅降低成本，更成为企业增长的新引擎。
【CANdelaStudio编辑CDD】-1.2-给$10服务SessionControl创建一个新Session会话并修改Session state machine会话状态机(UDS诊断)
前一篇：【UDS诊断描述文件CDD】-1.1-ISO_14229中$10服务理论部分https://blog.youkuaiyun.com/qfmzhu/article/details/120375515案例背景： 在CDD中如何给$10服务创建一个新的Session会话； 在CDD中如何给$10服务修改Session state machine会话状态机。 目录 1 查看$10服务中已有的Session会话 2 查看$10服务中已有的Session state machine会话状态机 3 在$10...
软件测试工作中需要使用的工具
作为一个测试人员在日常工作中会使用到很多的工具，今天给大家分享一下这些工具。对软件测试、接口、自动化、性能测试和日常文档编写办公有帮助的网站。接口测试大力推荐国产的：apipost，apipost还是一款很不错的接口文档生产工具。可以生成在线文档、word文档等格式的接口文档。
基于龙虾Claw的会议纪要自动提取与重点内容总结办公场景实践
本文介绍如何使用龙虾Claw构建会议纪要自动提取与重点内容总结系统，实现会议内容的智能处理。
国产接口测试工具APIpost
这些资料，对于【软件测试】的朋友来说应该是最全面最完整的备战仓库，这个仓库也陪伴上万个测试工程师们走过最艰难的路程，希望也能帮助到你！
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
没有接口文档的怎样进行接口测试
在进行。
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
软件测试详解—测试中需要使用的工具大全
作为一个测试人员在日常工作中会使用到很多的工具，今天给大家分享一下这些工具。对软件测试、接口、自动化、性能测试和日常文档编写办公有帮助的网站。
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")
软件测试中需要使用的工具大全
作为一个测试人员在日常工作中会使用到很多的工具，今天给大家分享一下这些工具。对软件测试、接口、自动化、性能测试和日常文档编写办公有帮助的网站。 接口测试大力推荐国产的接口测试工具：apipost，apipost还是一款很不错的接口文档生产工具。可以生成在线文档、word文档等格式的接口文档。 一、办公软件 1、Visio Office Visio 是Office软件系列中的负责绘制流程图和示意图的软件，是一款便于IT和商务人员就复杂信息、系统和流程进行可视化处理、分析和交流的软件。 链接：https://
【分享】—接口测试工具和使用
一、接口 接口泛指实体把自己提供给外界的一种抽象化物（可以为另一实体），用以由内部操作分离出外部沟通方法，使其能被修改内部而不影响外界其他实体与其交互的方式。 广义的接口包括人机界面、硬件接口、软件接口。 人机界面：人类与电脑等信息机器人或人类与程序之间的接口称为用户界面。 硬件接口：电脑等信息机器硬件组件间的接口叫硬件接口。 软件接口：电脑等信息机器软件组件间的接口叫软件接口。 我们常说的软件接口测试，是指程序之间提供服务的软件接口 2.常见的接口测试软件 3.接口测试工具使用对比 jmeter 是一款
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3790
扫一扫
