如何创建并运行一个Load Test

VSTS2010给我们提供了一个创建并运行Load tests的工具。Load Test的基本目标就是模拟许多用户同时访问服务器。当你往一个Load tests里面添加Web tests/Unit tests后,你模拟了多个用户同时连接到服务器上,并向服务器发送多个HTTP请求。你可以设置Load tests的属性,并广泛地运用到你的Web tests.

 

创建一个Load test

 

1.打开解决方案管理器,右击一个Test Project,选择“Add” ->”Load Test …”.一个标题为“New  Load Test Wizard” 的窗口会显示出来,点击“Next>”.

2.场景为配置你的个性化测试提供了灵活性,它可以模拟复杂真实的工作负载。

输入场景名字为“TestScenario”,  设置思考时间为 2 秒, 然后点击 “Next>”.

3.Load pattern属性指定了在一个load test过程中如何调整模拟的用户数。

我们选择Constant Load, 设置用户数为 25, 然后点击 “Next”.

4.Test mix model让你模拟负载更加真实。你可以有多个工作流,这样就更加贴近终端用户如何交互你的应用程序的。

我们选择“Based on the total number of tests”, 然后点击“Next>”.

5.Test mix指定了虚拟用户在一个load test场景中运行一个给定测试的可能性。他让你更加真实地模拟负载。

我们点击“Add…” 添加一个web test 或 unit test.

我们选择一个测试名字, 然后点击 “OK”.

6.Network mix指定了虚拟用户运行一个网络profile的可能性。

我们选择网络类型“CDMA”, 然后点击 “Next>”.

7.Counter sets是一系列系统性能计数器,他们在运行一个load test过程中对性能监视很有用。

我们选择“Next>”.

8.The run settings确定了测试的时间长度,warm-up期限,采样率,连接模型 (仅用于Web tests),结果存储的类型,有效等级和SQL跟踪。

我们选择测试时间长度为3分钟,然后点击 “Finish”. 

9.一个名叫“Network Emulation Driver” 对话框会弹出来.  我们点击 “Yes” 来帮定网络仿真驱动器. 

10. 这样一个名叫“LoadTest1” 就创建好了.

 

运行一个Load Test

1.选择Test project, 打开一个 load test.

2.在这个Load Test Editor里面选择这个load test,点击工具栏中的” Run”按钮。 你的这个Load Test就开始运行了。 运行是参见下图:

3.查看结果。 “点击“Test run completed”,你就可以看到Result Summary了。

在 Result Summary栏目显示了:
I. Test run name
II. Run result
III. Test Settings
IV. Test settings
V. Submitted by
VI. Started on
VII. Completed on

在Collected Files栏目里, 显示了agent name 和 the network emulation 文件. 在 NetworkEmulation.xml, 记录了你所绑定的网络仿真Profile.

参见下图:

 

 

 

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,下面是一个简单的卷积神经网络的实现,使用Python和TensorFlow库。 首先,需要安装TensorFlow库,可以使用以下命令进行安装: ```python pip install tensorflow ``` 然后,我们可以使用以下代码实现一个简单的卷积神经网络: ```python import tensorflow as tf from tensorflow.keras import layers # 定义模型 model = tf.keras.Sequential() # 添加卷积层 model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1))) # 添加池化层 model.add(layers.MaxPooling2D((2, 2))) # 添加 Flatten 层 model.add(layers.Flatten()) # 添加全连接层 model.add(layers.Dense(10, activation='softmax')) # 编译模型 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) # 加载数据 (train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data() # 数据预处理 train_images = train_images.reshape((60000, 28, 28, 1)) train_images = train_images.astype('float32') / 255 test_images = test_images.reshape((10000, 28, 28, 1)) test_images = test_images.astype('float32') / 255 train_labels = tf.keras.utils.to_categorical(train_labels) test_labels = tf.keras.utils.to_categorical(test_labels) # 训练模型 model.fit(train_images, train_labels, epochs=5, batch_size=64) # 评估模型 test_loss, test_acc = model.evaluate(test_images, test_labels) print('Test accuracy:', test_acc) ``` 这个模型使用了一个卷积层、一个池化层、一个Flatten层和一个全连接层。我们使用MNIST数据集进行训练和测试。 运行以上代码,即可训练和评估模型。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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