安卓应用自动化测试工具

安卓应用自动化测试工具之一 - PerfectoMobile

该工具的官方网址:PerfectoMobile.com
背景:美国/以色列公司,该工具已有6年历史。
突出特点:测试脚本可以跨平台(Android/iOS/Blackberry...)执行,号称拥有市面上所有智能机。

接下来我们尝试从以下几个方面了解该工具:
[b]脚本编辑器[/b]
它有两种方式:一、纯Web的脚本制作界面;二、近年新开发的QTP插件;

[b]脚本语言[/b]
Web端的是基于关键字的脚本设计器“ScriptOnce”;如果用QTP插件,则是VBScript。

[b]是否支持录制脚本[/b]
Web端是鼠标拖拽的方式制作脚本;QTP插件是否可以支持录制就不清楚了。

[b]结果验证[/b]
通过对比界面图像来验证测试结果

[b]价格[/b]
Web端对于设备的使用是按小时收费。QTP插件的费用还不清楚。相信不会比QTP贵吧~ :-)
--
安卓应用自动化测试工具之二 - TestDroid

该工具的官方网址:TestDroid.com
背景:芬兰公司,近两年刚起步,去年年底开始做云平台。
突出特点:测试脚本可以录制,并转成Robotium/MonkeyRunner脚本。

接下来我们尝试从以下几个方面了解该工具:
[b]脚本编辑器[/b]
其实就是Eclipse插件。

[b]是否支持录制脚本 & 脚本语言[/b]
可以用录制的方式产生脚本,并生成Robotium or MonkeyRunner的脚本语言。但这个前提是一定要有被测应用的源代码。官方文档虽然说不用源码也能测,只是抓不到R-Class级别的对象。但笔者试了一下没有源码的apk,好像文本框的顺序还无法辨认。

[b]结果检查[/b]
貌似可以写判断语句。

[b]价格[/b]
USD99/Month,买够一年还可以打5折。云端价格暂未公开。
--
安卓应用自动化测试工具之三 - DroidPilot

该工具的官方网址:DroidPilot.cn
背景:深圳公司,今年刚起步。
突出特点:抓取对象能力较强;工具仿制QTP,易于测试人员上手。

接下来我们尝试从以下几个方面了解该工具:
[b]脚本编辑器 & 脚本语言[/b]
自己写的脚本编辑器,仿QTP使用VBScript语言。

[b]是否支持录制脚本[/b]
使用脚本设计器,通过抓取的对象设计脚本,然后把设计好的脚本转换成VBScript进行深加工。据开发团队声称,测试工程师在制作脚本的时候录制的效率不一定有制作的效率高,且也不一定灵活。不过他们表明会在后续版本开发录制功能。

[b]结果检查[/b]
有类似QTP的检查点语句Checkpoint; 也可以写条件判断语句对比属性值。

[b]价格[/b]
未定,目前开放试用下载,试用期限不够的话还可以跟他们谈。
--
安卓应用自动化测试工具之四 - LessPainful

该工具的官方网址:lesspainful.com
背景:丹麦公司,这两年刚起步。
突出特点:支持iOS & Android;只需提供被测apk和脚本到他们的网站即可测试;脚本很特别。

接下来我们尝试从以下几个方面了解该工具:
[b]脚本语言[/b]
脚本语言是仿真语言,很有意思。

[b]是否支持录制脚本[/b]
测试工程师就像写测试用例那样写脚本,都不需要录制功能了。

[b]结果检查[/b]
不清楚,只是说把写好的脚本提交给他们,就可以在几分钟之内收到结果。脚本中貌似没有检查点之类的语法。

[b]价格[/b]
按月收费。
--
安卓应用自动化测试工具之五 - DeviceAnywhere

该工具的官方网址:deviceanywhere.com
背景:美国公司,做了好几年了。
突出特点:号称支持所有平台;与测试管理工具整合。

接下来我们尝试从以下几个方面了解该工具:
[b]脚本编辑器 & 脚本语言[/b]
其实是测试流程设计器,用鼠标拖拽的方式设计测试场景。

[b]结果检查[/b]
通过图像对比检查结果。

[b]工具整合[/b]
这家公司提供的是一整套解决方案。不单有测试管理工具,设备监控工具,甚至还有移动应用开发工具。

[b]价格[/b]
很贵。
--
安卓应用自动化测试工具之六 - JamoSolutions

该工具的官方网址:jamosolutions.com
背景:比利时公司,做了好几年了。
突出特点:提供QTP、Eclipse、Visual Studio插件;可以跨平台iOS/Android/Blackberry。

接下来我们尝试从以下几个方面了解该工具:
[b]脚本编辑器 & 脚本语言[/b]
因为是通过插件形式工作的,脚本编辑器和脚本语言视乎开发工具(QTP、Eclipse、Visual Studio)而定。

[b]结果检查[/b]
应该可以通过对比属性值检查结果。

[b]价格[/b]
不明,估计不会比开发工具贵。
--
安卓应用自动化测试工具之七 - bsquare - TestQuest CountDown

该工具的官方网址:bsquare.com
背景:美国公司,做了好几年了。
突出特点:跨平台;与测试管理工具整合。

接下来我们尝试从以下几个方面了解该工具:
[b]脚本编辑器 & 脚本语言[/b]
不清楚,听说是根据坐标点和图像判断。

[b]结果检查[/b]
也不清楚。

[b]工具整合[/b]
整合这家公司自身的Test Designer/Test Manager/Test Runner之类的工具。

[b]价格[/b]
不清楚,听说有点贵。
--
安卓应用自动化测试工具之八 - ZAP-fiX

该工具的官方网址:zap-fix.com
背景:美国公司,做了好几年了。
突出特点:QTP插件;跨平台。

接下来我们尝试从以下几个方面了解该工具:
[b]脚本编辑器 & 脚本语言[/b]
其实是QTP的插件。

[b]结果检查[/b]
同QTP。

[b]跨平台[/b]
可以跨Android/iOS测试。

[b]价格[/b]
不详,肯定不会比QTP卖的贵。
--
--
安卓应用自动化测试工具之九 - eggPlant

该工具的官方网址:testplant.com
背景:美国公司,做了好几年了。
突出特点:跨平台;整合测试管理工具。

接下来我们尝试从以下几个方面了解该工具:
[b]脚本编辑器 & 脚本语言[/b]
不详。由于可以跨平台,估计是坐标点或图像比较。

[b]结果检查[/b]
不详。

[b]跨平台[/b]
可以跨Android/iOS/Blackberry/Windows Phone等。

[b]价格[/b]
不详。由于可以与Rational Quality Manager整合,所以估计不会比Rational的工具卖的贵吧。
--
安卓应用自动化测试工具之十 - Testin

该工具的官方网址:testin.cn
背景:北京公司,近两年刚起步。
突出特点:跨平台。

接下来我们尝试从以下几个方面了解该工具:
[b]脚本编辑器 & 脚本语言[/b]
只能录制脚本,无法编辑。

[b]结果检查[/b]
不详。

[b]跨平台[/b]
可以跨Android/iOS,但是好像脚本要分开录制。

[b]价格[/b]
不详。应该不贵。
--
安卓应用自动化测试工具之十一 - ExperiTest - SeeTestMobile

该工具的官方网址:experitest.com
背景:美国公司,近两年刚起步。
突出特点:可录制;跨平台。

接下来我们尝试从以下几个方面了解该工具:
[b]脚本编辑器 & 脚本语言[/b]
支持不同工具的Plug-in,脚本语言视乎工具而定。

[b]结果检查[/b]
图像比较,OCR。

[b]跨平台[/b]
可以跨Android/iOS/Blackberry/Windows Phone。

[b]价格[/b]
SeeTestMobile - $2499USD/Year。
--
安卓应用自动化测试工具之十二 - AndroidTester

该工具的官方网址:androidtester.net
背景:上海公司,近两年刚起步。
突出特点:可录制。

接下来我们尝试从以下几个方面了解该工具:
[b]脚本编辑器 & 脚本语言[/b]
独立编辑器,Python脚本语言。

[b]结果检查[/b]
图像比较。

[b]跨平台[/b]
只支持Android。

[b]价格[/b]
不详,应该不贵。
--
安卓应用自动化测试工具之十三 - SmartRobot

该工具的官方网址:dongzhousoft.com
背景:北京公司,近两年刚起步。
突出特点:可录制,与测试管理平台整合。

接下来我们尝试从以下几个方面了解该工具:
[b]脚本编辑器 & 脚本语言[/b]
独立编辑器,可生成Robotium或MonkeyRunner脚本语言。

[b]结果检查[/b]
不详。

[b]跨平台[/b]
只支持Android。

[b]价格[/b]
不详,应该不贵。
--
安卓应用自动化测试工具之十四 - Others

除了上述介绍的商业工具,Android自动化测试其实还有很多开源工具,大家可以陆续学习,这里尝试列举一些:
1. Robotium - robotium.org - 地球人都知道。
2. MonkeyRunner - 自己上网搜吧~
3. WindRiver - windriver.com - 这家厂其实是做芯片的,但是他们也有一个自动化测试框架,好像是不卖的。
4. Robolectric - http://pivotal.github.com/robolectric/index.html - 这其实是个单元测试框架。
5. Sikuli - sikuli.org - 这家专门做图像比较的。
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。
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。
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 1
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