关于测试及其本身的探讨

最近一直在思考这个问题,不管你不得不承认,测试确实是一个很难让所有人都认同的工作,从拿的工资就可以看出来,在那些没有真刀真枪拼出来的项目经理眼中更是如此,甭管有时候说的有多好听。 这的确适合了一部分在IT界发展的女孩子的愿望,问题是一个男人该怎么做, 软件测试人员有没有可能发展到架构师,关键是自己怎么看,想要怎么去发展,有些时候机会很重要,别人听说你是做测试的,即使有这个能力也不给你这个机会,现在做工作不是造原子弹,让别人做也照样做的来,,的确,测试人员在今后的发展中将会面临更大的机遇挑战问题。
软件测试的能力到底要怎么样去体现,在一个项目的实现中,有一个技术头头,会担当一个"架构师"的角色,他会来指导具体的代码实现,只要不是违反大的需求,他就是老大,什么都是他说了算,测试的头头,在他眼中也不过是个二流的角色,高兴了叫给面子,即使项目经理在中间调停,最终也还是会偏向开发的, 可见把开发跟测试混在一起,很容易导致测试成为二流的角色,所以有时候想想,国内想实行敏捷开发,简直是扯淡。。
国内有很多项目是很轻视测试的,一方面是观念问题,一方面是养不起,也不想养,但是教训告诉他,不测又不行,所以多面手在很多项目中是很受欢迎的,就我看来,小的项目,测试人员很少,把测试和开发搞在一起是有利于提高效率的,大的项目,测试和开发是要分开的,最好不要天天能够见面,这样测试只对测试本身和产品负责,而不是对开发负责,负责在其中协调的是项目经理的责任,测试的头头,只负责测试的本身,这样才能与开发对等,测试人员才能将更多的经历投入到测试中,避免成为一个小脚女人,两头不讨好,也避免开发人员自以为是,看不起测试人员,同样也可以避免测试人员不务正业,过分关注开发技术,导致双方的这种不平等加剧。。
任何项目的本身必须要有量化的指标来评定,开发人员,有代码量作为评定指标之一,测试人员也必须有类似于Bug量来作为评定指标之一,当然评定的指标有很多,测试人员更应该有量化的指标,否则很容易给人一种无所事事的感觉,甚至有时候自己否定自己。
关于测试技术,,首先申明一点,编码能力不是测试技术的体现, 测试懂编码似乎是个很流行,也让很多测试的认为很牛逼,也让很多开发看不起测试的原因之一,测试懂编码只是一个必要条件,的确一个测试人员最好能懂一门脚本语言,但是会编码只是一个Coder,不是做开发也不是做测试,做开发有开发的技术做测试有测试的技术,开发认为自己牛逼,其实是认为自己把最主要最重要的东西实现了而已,这其实与国内长期分工不明确造成的,任何一门软件工程的书都会告诉你,实现了系统最多只能算是做了一个流程40%的工作,还有开发人员认为自己也能测试,所以更加轻视测试人员的工作,而事实上测试和开发是必须分开的,一个开发人员可以去做测试,但是必须是专职的。
测试的具体细分在这里不必要多说,测试必须要有清晰的概念和良好的分工,测试人员必须要对所测试的系统有全方位的了解,这点倒是和架构师的责任很相似,所以说测试人员发展成架构师是有可能的,问题是你怎么样来规划你的发展,如果永远只是做做点鼠标的工作,或者只是醉心与自动化的工作,在支支点点和Coder之间徘徊,还不如改行去做编码,这个更能体现你的价值,测试所有的工作是为了更好产品发布和更少的Bug出现,不是为了测试的本身,醉心于测试本身,必然会以偏概全,而不能把握全局是测试人员的大忌。
以本人一年多来的所主要从事两种工作:性能测试和自动化测试为例,性能测试和自动化测试的工具有很多种,几乎每种都有不同的脚本语言,怎么 办?每种工作都去尝试一下?一辈子的时间也不够,要想尽快上手,显然要综合全方位的因素去尽快确定一种工具,然后开展工作,工作的本身是为了产生分析数据(性能测试),减轻工作负担(自动化测试),不必要去醉心与Coder本身,coder的规范化,以及测试框架的扩展性,都是随着项目本身的发展和项目周期长短来决定的,一个字必须“快”,否则自动化很容易堕落为写Coder,这对于一个测试人员来说是可悲的。。(发表于2007年8月16日)
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。
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