先自我介绍一下,小编浙江大学毕业,去过华为、字节跳动等大厂,目前阿里P7
深知大多数程序员,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年最新软件测试全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上软件测试知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
如果你需要这些资料,可以添加V获取:vip1024b (备注软件测试)
正文
5、计算准确率
with tf.variable_scope(“acc”):
equal_list = tf.equal(tf.argmax(y_true, 1), tf.argmax(y_predict, 1))
equal_list None个样本 [1, 0, 1, 0, 1, 1,…]
accuracy = tf.reduce_mean(tf.cast(equal_list, tf.float32))
收集变量 单个数字值收集
tf.summary.scalar(“losses”, loss)
tf.summary.scalar(“acc”, accuracy)
高纬度变量收集
tf.summary.histogram(“weightes”, weight)
tf.summary.histogram(“biases”, bias)
定义一个初始化变量的op
init_op = tf.global_variables_initializer()
定义一个合并变量的 op
merged = tf.summary.merge_all()
创建一个saver
saver = tf.train.Saver()
开启会话去训练
with tf.Session() as sess:
初始化变量
sess.run(init_op)
建立events文件,然后写入
filewriter = tf.summary.FileWriter(“./tmp/summary/test/”, graph=sess.graph)
if FLAGS.is_train == 1:# 如果是1,进行训练
迭代步数去训练,更新参数预测
for i in range(2000):
取出真实存在的特征值和目标值
mnist_x, mnist_y = mnist.train.next_batch(50)
运行train_op训练
sess.run(train_op, feed_dict={x: mnist_x, y_true: mnist_y})
写入每步训练的值
summary = sess.run(merged, feed_dict={x: mnist_x, y_true: mnist_y})
filewriter.add_summary(summary, i)
print(“训练第%d步,准确率为:%f” % (i, sess.run(accuracy, feed_dict={x: mnist_x, y_true: mnist_y})))
保存模型
saver.save(sess, “./tmp/ckpt/fc_model”)
else:# 如果是0,做出预测
加载模型
saver.restore(sess, “./tmp/ckpt/fc_model”)
如果是0,做出预测
for i in range(100):
每次测试一张图片 [0,0,0,0,0,1,0,0,0,0]
x_test, y_test = mnist.test.next_batch(1)
print(“第%d张图片,手写数字图片目标是:%d, 预测结果是:%d” % (
i,
tf.argmax(y_test, 1).eval(),
tf.argmax(sess.run(y_predict, feed_dict={x: x_test, y_true: y_test}), 1).eval()
))
return None
if name == “__main__”:
full_connected()
2.卷积神经网络
神经网络的进化
神经网络(neural networks)的基本组成包括输入层、隐藏层、输出层。而卷积神经网络的特点在于隐藏层分为卷积层和池化层(pooling layer,又叫下采样层)。
- 卷积层:通过在原始图像上平移来提取特征,每一个特征就是一个特征映射
- 池化层:通过特征后稀疏参数来减少学习的参数,降低网络的复杂度,(最大池化和平均池化)
结构示意图
零填充:
• 卷积核在提取特征映射时的动作称之为padding(零填充),由于移动步长不一定能整除整张图的像素宽度。其中有两种方式,SAME和VALID
- SAME:越过边缘取样,取样的面积和输入图像的像素宽度一致。
- VALID:不越过边缘取样,取样的面积小于输入人的图像的像素宽度
卷积层
tf.nn.conv2d(input, filter, strides=, padding=, name=None)
计算给定4-D input和filter张量的2维卷积
input:给定的输入张量,具有[batch,heigth,width,
channel],类型为float32,64
filter:指定过滤器的大小,[filter_height, filter_width, in_channels, out_channels]
strides:strides = [1, stride, stride, 1],步长
padding:“SAME”, “VALID”,使用的填充算法的类型,使用“SAME”。其中”VALID”表示滑动超出部分舍弃,“SAME”表示填充,使得变化后height,width一样大
新的激活函数-Relu
第一,采用sigmoid等函数,反向传播求误差梯度时,计算量相对大,而采用Relu激活函数,整个过程的计算量节省很多
第二,对于深层网络,sigmoid函数反向传播时,很容易就会出现梯度消失的情况(求不出权重和偏置)
激活函数:
tf.nn.relu(features, name=None)
features:卷积后加上偏置的结果
return:结果
池化层(Pooling)计算
Pooling层主要的作用是特征提取,通过去掉Feature Map中不重要的样本,进一步减少参数数量。Pooling的方法很多,最常用的是Max Pooling。
池化:
tf.nn.max_pool(value, ksize=, strides=, padding=,name=None)
输入上执行最大池数
value:4-D Tensor形状[batch, height, width, channels]
ksize:池化窗口大小,[1, ksize, ksize, 1]
strides:步长大小,[1,strides,strides,1]
padding:“SAME”, “VALID”,使用的填充算法的类型,使用“SAME”
Full Connected层:
分析:前面的卷积和池化相当于做特征工程,后面的全连接相当于做特征加权。最后的全连接层在整个卷积神经网络中起到“分类器”的作用。
案例:Mnist手写数字图片识别卷积网络案例
流程:
1、准备数据
2、卷积、激活、池化(两层)
3、全连接层
4、计算准确率
import tensorflow as tf
old_v = tf.logging.get_verbosity()
tf.logging.set_verbosity(tf.logging.ERROR)
from tensorflow.examples.tutorials.mnist import input_data
定义一个初始化权重的函数
def weight_variable(shape):
w = tf.Variable(tf.random_normal(shape=shape,mean=0.0,stddev=1.0))
return w
定义一个初始化偏置的函数
def bias_variable(shape):
b = tf.Variable(tf.constant(0.0,shape=shape))
return b
def model():
‘’’
自定义的卷积模型
:return:
‘’’
1、准备数据的占位符 x [None, 784] y_true [None, 10]
with tf.variable_scope(“data”): # 作用域
x = tf.placeholder(tf.float32, [None, 784])
y_true = tf.placeholder(tf.int32, [None, 10])
2、一卷积层 卷积 5x5x1,32个,strides=1
激活 tf.nn.relu,池化
with tf.variable_scope(“conv1”): # 作用域
随机初始化权重,偏置
w_conv1 = weight_variable([5,5,1,32])
b_conv1 = bias_variable([32])
对 x进行形状的改变 [none,784] —> [none,28,28,1]
x_reshape = tf.reshape(x,[-1,28,28,1])
卷积 [none,28,28,1] —> [none,28,28,32]
x_relu = tf.nn.relu(tf.nn.conv2d(x_reshape,w_conv1,strides=[1,1,1,1],padding=“SAME”) + b_conv1)
池化 2x2,strides=2,[none,28,28,32]—> [none,14,14,32]
x_pool1 = tf.nn.max_pool(x_relu, ksize=[1,2,2,1],strides=[1,2,2,1], padding=“SAME”)
3、二卷积层 卷积 5x5x32,64个,strides=1
## 激活 tf.nn.relu,池化
随机初始化权重[5, 5, 32, 64],偏置
w_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
卷积,激活,池化计算
[none,14,14,32] —> [none,14,14,64]
x_relu2 = tf.nn.relu(tf.nn.conv2d(x_pool1, w_conv2, strides=[1, 1, 1, 1], padding=“SAME”) + b_conv2)
池化 2x2,strides=2,[none,14,14,64]—> [none,7,7,64]
x_pool2 = tf.nn.max_pool(x_relu2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding=“SAME”)
4、全连接层 [none,7,7,64]—> [none,7*7*64]*[7*7*64,10] +[10] = [none,10]
with tf.variable_scope(“conv2”): # 作用域none,
随机初始化权重,偏置
w_fc = weight_variable([7*7*64, 10])
b_fc = bias_variable([10])
修改形状 [none,7,7,64]—> [none,7*7*64],四维到二维
x_fc_reshape = tf.reshape(x_pool2,[-1,7*7*64])
矩阵运算得出每个样本的10个结果
y_predict = tf.matmul(x_fc_reshape, w_fc) + b_fc
return x , y_true ,y_predict
def conv_fc():
#获取真实数据
mnist = input_data.read_data_sets(“./data/mnist/”, one_hot=True)
定义模型,得出输出
x, y_true, y_predict = model()
进行交叉熵损失计算
with tf.variable_scope(“soft_cross”):
求平均交叉熵损失
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true, logits=y_predict))
4、梯度下降求出损失 学习率要比较小
with tf.variable_scope(“optimizer”):
train_op = tf.train.GradientDescentOptimizer(0.0001).minimize(loss)# 学习率和最小化损失
5、计算准确率
with tf.variable_scope(“acc”):
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
需要这份系统化的资料的朋友,可以添加V获取:vip1024b (备注软件测试)
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
h tf.variable_scope(“acc”):
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
需要这份系统化的资料的朋友,可以添加V获取:vip1024b (备注软件测试)
[外链图片转存中…(img-PkI3CDoj-1713232169650)]
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!