收录了 测试学习网站 频道下的 50 篇内容
软件行业发展迅猛。越来越多的团队开始重视测试,他们利用测试驱动开发。本文中,Lisa Crispin讲述了态度和好奇心如何促进其职业发展并保持对软件测试的热情和新鲜感。
解读机器学习在软件测试领域的应用与创新
Facebook利用机器学习方法,从大量的历史代码变动和测试结果的数据集中进行学习,自动得到测试选择策略,为特定的代码改动选择适合的回归测试。这个预测性测试选择系统已经在Facebook上部署了一年多,能够确定超过99.9%的回归问题,同时只需要运行与改动代码相关的所有测试中的三分之一,大大提高了测试设施的效率。
这篇文章探讨了优化测试执行、节省机器资源、缩短向开发人员反馈的时间等几个方面。
本文将进入单元测试的部分,这也是基础知识中最后一个大块。本文将重点讲述Python和OpenStack中的单元测试的生态环境。这个系列的文章是关于OpenStack的基础知识,其实OpenStack开发还要涉及到很多其他的知识,比如消息队列、非阻塞IO等,而且还要了解整个OpenStack的开发生态,包括Gerrit评审系统、Zuul持续集成、devstack开发环境、oslo项目等。
随着人工智能变得越来越主流,很可能会出现尚未被我们发明出来的全新的职业领域。
Ludwig是一个基于谷歌TensorFlow框架的开源“工具箱”,它允许用户在不编写代码的情况下训练和测试深度学习模型。
根据KDNuggets网站的介绍,增强决策树正支撑着Kaggle机器学习挑战赛中超过半数的胜出解决方案。除了卓越的性能表现之外,这些算法亦拥有现实层面的吸引力——即最大程度降低调整需求。在今天的文章中,我们将评估两款高人气升级包:XGBoost与LightGBM,亦包括其GPU实现方案。
Google制造了他们的自定义芯片Tensor处理单元(TPU),用于自家的TensorFlow框架上的机器学习,现在已经面向机器学习(ML)的专家们和开发者们进行公开测试了。Google Cloud的TPU降低了机器学习模型的耗费成本,并且能够得到更高的性能来满足需求。
RLgraph:稳健的、可增量测试的强化学习框架
GitHub Actions 集成CI/CD 功能,推进开发编译测试部署流程自动化。
很多新手,不知道软件测试学习该如何开始,软件测试需要掌握哪些知识。下面是根据本人的理解,粗略整理的一个学习大纲,基本上涵盖了软件测试工程师需要掌握的全部技能,希望对刚入行或者准备学习测试的朋友提供一点指引。
自动化测试是软件开发中的关键环节,它可以提高测试效率、减少重复工作,并提供更快速、稳定的测试结果。Python作为一种易学易用的编程语言,为自动化测试提供了强大的工具和库。本文将介绍如何使用Python进行自动化测试。
上个月末,为回应不断增长的大规模在Google云端平台(GCP)运行Tensor Flow库的需要,Google发布了alpha版本的TensorFlow(TF)集成云端机器学习服务。Google描述了一些有关建立TF规模化使用的新功能,其中集成了一些GCP的模块,例如Dataproc,是一个托管的Hadoop和Spark服务。
代码审查是指对计算机源代码系统化地审查,常用软件同行评审的方式进行,其目的是在找出及修正在软件开发初期未发现的错误,提升软件质量及开发者的技术。代码审查常以不同的形式进行,例如结对编程、非正式的看过整个代码,或是正式的软件检查。