2018谷歌开发者节深圳站，Testin云测的AI应用案例获广泛关注

最新推荐文章于 2021-06-01 07:11:21 发布
最新推荐文章于 2021-06-01 07:11:21 发布
阅读量220 收藏
点赞数

好奇心和理想主义是推动世界的原动力。谷歌作为一家充满传奇性、公众好感、技术先进的全球科技巨头，一直是互联网开放、平等、协作、分享精神的践行者。

2018谷歌开发者节深圳站，Testin云测的AI应用案例获广泛关注

 

GDG , 即 Google Developer Groups 谷歌开发者社区，是2008年由谷歌发起和赞助的、非常知名的全球性开发者活动。日前，在深圳圣淘沙酒店举行的2018谷歌开发者节深圳站（GDG Shenzhen DevFest 2018），Testin云测首席架构师尹春鹏受邀分享了移动应用的AI自动化测试相关内容，Testin云测这家企业服务平台在AI应用上的落地深度和技术细节，给专门赶到“中国硅谷“深圳的开发者们留下了深刻印象。

在GDG Shenzhen DevFest 2018上，尹春鹏先是讲解了Testin云测在移动应用UI自动化测试中所运用的技术细节，接着重点阐述了当UI自动化测试遇上AI发生的重要变化。传统UI自动化测试，一直无法很好的解决ROI低、维护成本高、稳定性差的顽疾，经常碰到的问题，诸如Android碎片化带来的适配问题、需求变化快、UI界面改动频繁、不同的开发方式导致所需的测试技术不同；小的变动导致整体变动，每个改动又要尽量适应不同的手机等。在大量复杂场景下，原来传统的UI自动化技术需要定制大量的规则来实现，仍然无法完全覆盖。

AI带来的变化，最主要是让程序像人一样去工作，通过视觉算法分析屏幕而不是控件信息来执行测试。传统的UI自动化测试，严重依赖于各种测试框架产生的控件信息来执行，而这些控件信息实际上和我们肉眼所见的屏幕是有差别的，再加上设备碎片化和不同的开发方式导致不同应用在不同的设备上表现的千差万别。Testin云测目前正在进行的重要工作，分析移动应用界面并将界面元素语义化，同时通过自然语言描述代替传统的测试步骤，从而真正实现方便编写、版本迭代无关、设备无关，甚至可以将传统的测试用例步骤直接转化为执行 。AI技术为传统UI自动化测试带来了不可忽视的重要影响和变化。

2018谷歌开发者节深圳站，Testin云测的AI应用案例获广泛关注

Testin云测首席架构师尹春鹏

据了解，尹春鹏所在的Testin云测公司，拥有基于自主知识产权的AI自动化工具平台，以及数百万成员的规模化云众包平台，为企业提供与应用相关的全生命周期服务，与企业一起携手打造一流的应用质量和安全性，并助力企业通过应用在互联网上提高运营效果，全面提升企业在应用上的投资回报。Testin云测成立于2011年，不仅在全球范围内创造了一个新行业，更是罕见的、已为全球超过100万的开发者、企业、事业机构提供与应用相关的测试、推广、安全、AI大数据产品优化等解决方案的企业服务平台。

来源：企业网 D1Net

Testin云测博客
关注
testin云测
m0_64116684的博客
01-12 324
点击标准兼容测试点击开始测试 点击上传应用 上传对应的应用上传的内容不能超过2g 上传成功 选择要测试的应用点击下一步 选择机型 等待测试 测试完成点击查看报告下载报告任务基本概况机型硬件信息设备任务详细性能指标概况 ...
Testin云测操作步骤
特博儿
10-26 707
一，登录成功后点击标准兼容测试，然后点击开始测试 二，然后点击上传应用 三，上传成功后提交 四，选择应用然后下一步 五，写好任务描述然后提交测试 六，就可以查看报告了 七，等任务执行完成后下载报告就可以了 ...
testin云测操作步骤
m0_46446002的博客
11-27 1169
1.云测网址 https://www.testin.cn/ 2.注册 3.点击标准兼容测试 开始测试 4.点击选择文件 5.添加名称，选择应用类别，选择应用分类，版本备注，添加完之后 点击提交按钮 6.应用上传成功，点击下一步 7.添加任务描述，点击提交测试 8.提交测试后跳转到查看任务页面 9.查看报告 10.报告内容 11.下载报告 12.测试基本信息 ...
Testin云测平台使用
xiaofann的博客
12-22 1369
Testin云测平台使用步骤 1.登录 2.点击标准兼容测试 3.开始测试 4.上传应用 4.1.选择文件 4.2.等待加载完成 4.3.完善应用信息 4.4.上传完成 5.补充测试选项 6.提交测试 总体总结 1、真机租用：Testin云测和AWS Device Farm，均包含iOS和Android，型号全，优先推荐。 2、AWS Device Farm支持框架Appium Java JUnit、Appium Java TestNG、Appium Python、Calabash、Instr
Testin云测平台
Yan_1227的博客
12-22 175
1.注册云测平台账号 2.点击标准兼容测试 3.点击开始测试 4.点击上传项目 5.选择默认，填写任务描述，点击提交测试 6.查看任务 点击查看报告 报告出来之后点击下载报告 以下是报告内容:
AI引领Testin云测技术变革 打造人工智能应用新样本
趣味科技v
07-17 294
Testin云测作为英特尔人工智能构建者计划的一员，在大会上以《AI引领Testin云测技术新变革》为主题，以自身为例，分享了作为中国第一家以云的技术模式进行应用测试的企...
android云测如何使用教程,iTestin使用教程-Testin云测.PDF
weixin_42307002的博客
06-01 421
iTestin使用教程-Testin云测iTestin 使用教程目录1 iTestin 简介62 如何获取到最新版本的 iTestin63 PC 配置要求74 登录 Testin 账号85 连接设备96 录制主界面的功能介绍107 如何使用组件 +图像混合方式13简介13准备工作13开始录制15停止录制188 组件 +...
Testin云测 MTK应用测试中心新上线 基于联发科芯片的智能终端
xinyuan82的博客
01-26
(北京讯)2015年1月21日—Testin云测MTK应用测试中心新上线基于联发科芯片的3款智能终端，供移动游戏和应用开发者在线测试，希望能够向开发者持续提供最新的智能手机、平板、穿戴式和物联网真机云测试环境，帮助全球的移动互联网生态体系快速、高效、完整地交付更加优秀的用户体验。 Testin云测致力于移动游戏、应用在线自动化真机云测试服务，帮助开发者应对移动互联网爆炸式增长的测试需求、解决智能...
testin云测操作
都是一些小知识，有错请见谅
09-03 1010
文章目录介绍操作 介绍 作为软件测试这个行业，相信很多做测试工程师的人都是从功能测试做起的吧,下面我介绍一下testin云测 操作 https://www.testin.cn/ 进入网站 点击控制台 3.选择标准兼容测试[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img- 4.上传应用（没有进行企业注册只能测试两个，小编以全部使完） 5.提交测试 （跳过上传是因为小编之前测试过了，所以没有测试的名额了，上一步其实挺简单的，就是上传自己下载的.apk文件） m
JSP学生学籍管理系统设计与实现(源代码+论文+开题报告+外文翻译+答辩PPT).zip
09-21
1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。
省市区数据，完成三级联动，选择地区
09-21
省市区数据，完成三级联动，选择地区
机械原理课程设计网球自动捡球机.doc
最新发布
09-21
机械原理课程设计网球自动捡球机.doc
2024秋招华为笔试题大全-仅供参考具体需要根据实际修改
09-21
2024秋招华为笔试题大全-仅供参考具体需要根据实际修改
借助于Ascend310 AI处理器完成深度学习算法部署任务，
09-21
应用背景为变电站电力巡检，基于YOLO v4算法模型对常见电力巡检目标进行检测，并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务，并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
基于深度学习的物体识别与抓取方法，六自由度机械臂，python编写程序.zip
09-21
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
电子设计论文文档资料液面检测器电子设计论文文档资料液面检测器
09-21
电子设计论文文档资料液面检测器电子设计论文文档资料液面检测器
基于深度学习的多特征电力负荷预测.zip
09-21
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
CenterNet 部署版本，便于移植不同平台（onnx、tensorRT、rknn、Horizon）
09-21
CenterNet 是一种用于目标检测的神经网络架构，它的核心思想是利用目标的中心点作为检测的关键信息。这种方法与传统的目标检测方法（如基于边界框的方法）有所不同，因为它不直接预测目标的边界框，而是预测目标的中心点坐标和目标的宽度与高度。 CenterNet 的主要特点包括： 1. **中心点预测**：网络输出目标的中心点坐标，以及目标的宽度和高度。 2. **热图（Heatmap）**：网络生成一个热图，其中每个像素点的值表示该点成为目标中心点的概率。 3. **回归任务**：除了中心点坐标，网络还需要预测目标的宽度和高度，这通常通过预测中心点周围的偏移量来实现。 4. **多任务学习**：CenterNet 通常会同时预测目标的类别、中心点坐标、宽度、高度以及目标的旋转角度（在某些变体中）。 5. **端到端训练**：CenterNet 可以直接在最终的目标检测任务上进行端到端的训练，无需复杂的区域提议网络（Region Proposal Network, RPN）或锚点（anchor）机制。 6. **高效性**：由于省略了传统目标检测中的一些步骤，CenterNe
Testin云测发布8月中国好游戏质量报告：用户体验与质量分析
为了应对这种局面，报告采取了Testin云测试、Testin认证测试、质量服务监测以及大数据分析的方法，重点关注移动互联网游戏应用的体验和质量。 排行榜具体涵盖了两大类游戏：热门Android市场的Top20单机手游应用和...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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