软件测试 基础

设计测试->发现缺陷

软件:控制计算机硬件工作的工具

软件生产过程:需求方或产品经理 需求产生, 产品经理写需求文档,ui设计效果图,研发人员 产品开发 测试人员测试产品,部署上线

 软件测试:实用术手段验证软件是否满足需求

软件测试的目的:减少bug,保障软件质量

  软件测试包括:功能测试,自动化测试(使用代码或者工具代替手工),接口测试(使用代码或工具对服务端接口进行测试),性能测试(模拟使用多人软件查找服务器缺陷)

测试分类:

按测试阶段划分:

单元测试(对程序源代码进行测试)一般开发自己做(比如单独的登录功能)

集成测试:又称接口测试,登录验证(几个相关联的功能)功能合起来,针对模块之间 访问地址进行测试

系统测试:对整个系统进行测试包括功能,兼容文档等测试

验收测试:分为内测和公测,使用不同人群

按代码可见度分析

黑盒测试:源代码不可见,ui可见(功性能测试)

灰盒测试:集成接口测试(后台看不见,前台没有 )

白盒测试:单元测试(全部代码可见,Ui不可见)

质量模型包括:

功能性,

性能,(服务器硬件,网速)

 兼容,(浏览器,操作系统,手机分辨率品牌网络其他)

易用,(是否好用,简洁流畅美观,是否退出还存在)

安全,(密码验证码)

可靠,(无响应,死机卡顿)

可维护,(整洁)

可移植(网站数据迁移)

软件测试流程:

需求评审, (确保各部门需求理解一致)

计划编写(测什么,谁来测,怎么测)

用例设计(验证项目是否符合需求的操作温度)

用例执行(项目模块开发完成开始执行用例实施测试)

缺陷管理(对缺陷进行管理的过程)

测试报告(实施测试结果文档)

测试用例:

用例:用户使用的案例

测试用例的作用:

防止漏测(写的时候没有项目)

实施测试的标准 

用例编写格式

用例编号(项目_模块_编号)

用例标题 期望结果(预期结果原因)

项目/模块

优先级(正确的P0)

前置条件

测试步骤

测试数据

预期结果

excle里面换行:alt+回车

等价类划分

1明确需求

2.划分有效等价无效等价(长度类型规则)

3.提取数据设计用例        

边界范围节点(确定长度)

上点(边界上的点)

离点(距离边界最近的点):开内闭外

内点:(范围内的点)

1.明确需求,

2.确定有效无效等价(类型

3. 确定边界范围

4.提取数据编写测试用例

内点:判断连续性

适用范围:大小尺寸重量大小至多至少

判定表

有多个输入输出条件,并且有组合关系,输入输出有条件依赖,适用于条件组合数量较少的情况(4以下8)

场景法 有很长的流程业务场景测试

冒烟测试:批量开始测试之前,执行业务正向用例,验证软件是否具备可测性

目的:避免由于项目不具备可测性而投入时间和人力成本

错误推测法:时间紧,任务量大,或者测试完毕还有时间

day03重要面试

缺陷的定义:软件在使用中存在的任何问题

2.评判标准

少功能,功能错误,多功能,隐形功能错误(支付成功,要能看到结果买到哪里),不易使用

3.缺陷产生原因

4.缺陷的生命周期

5.缺陷的核心内容

缺陷标题,预置条件,复现步骤,预期结果,实际结果,必要附件

6.提交要素

7.软件缺陷类型

 缺陷的提交流程

 注意:可重现,唯一性

编写规范准确

禅道:项目管理工具

下拉框的三条用例:

1.条数是否满足需求

2.每页显示多少

3.排列顺序

  • 24
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值