真题详解(单元测试)-软件设计(五十)

真题详解(0/1背包)-软件设计(四十九)icon-default.png?t=N2N8https://blog.csdn.net/ke1ying/article/details/130163955

  1. 单元测试

五个特征:模块接口、局部数据结构、重要执行路径、出错处理、边界条件

  1. 模块接口,保证测试模块数据流正确的流入和流出
  1. 测试模块用例输入的参数和形式在个数、属性单位是否一致。
  2. 调用其他模块时,所给的实际参数和被调用的形式参数在个数、属性、单位是否一致。
  3. 调用标准函数时,所用的参数在属性、数目和顺序上是否一致。
  4. 全局变量在各模块中定义的用法是否一致。
  5. 输入是否改变了形式参数。
  6. 开/关语句是否正确。
  7. 规格的I/O格式是否与输入/输出语句是否一致。
  8. 在使用文件之前是否已经打开文件或使用文件后是否已经关闭文件。

  1. 局部数据结构,在单元测试中局部数据结构是比较常见错误,应该重点考虑以下
  1. 变量说明是否合适。
  2. 是否使用了尚未赋值或尚未初始化变量。
  3. 变量的初始值或默认值是否正确。
  4. 变量名是否有错。

  1. 重要执行路径,在单元测试中,对路径的测试是最基本的任务,由于不能进行穷举测试,需要精心设计例子是否有计算、比较或控制流等方面的错误
  1. 计算方面的错误。
  2. 比较和控制流的错误。死循环,控制循环等。

4)出错处理。虽然计算机可以显示错误信息,但需要程序员进行处理

  1. 边界条件。边界条件的测试是单元测试最后工作。软件边界错误

  1. cocomo评估:功能点、对象点,代码行数。

3、2013年上半年

 

 

解析:

数据流图箭头对应的前后,起点 和 终点 必须有一个是加工

DF2起点是实体,终点也是实体。

DF6起点实体,终点数据存储。

DF7起点终点都是数据存储。

加工必须是有一个输入和输出的

其中P1没有输入

P3没有输出

其中P4加工后,DF4并没有改变,说明P4加工无任何作用,可以省略。

选择B

4、在分时系统中采用简单轮询方法,当系统用户数为n,时间片为q时,系统对每个用户响应T = ___。

解析:

分时系统 中 会把时间片q轮流分配给每个用户,所以T = t*q

  1. 编译过程中,分配存储单元地址是逻辑地址运行时映射到物理地址

  1. PERT不能描述各任务并行情况。(甘特图可以)

  1. X卧底,是智能手机的病毒。熊猫烧香和欢乐时光是蠕虫病毒,电脑上的。

CIH是系统病毒。

8、2013上半年

 

解析:

第一个空求得为256KB

因为大写的1B = 8bit

所以256K * 8bit   / 16K*4bit   = 32

第二空选择C

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

打赏作者

后端从入门到精通

你的鼓励是我最大的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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