跟大家讲个笑话工作10年,花费6年才找到测试工程师这条路!----没目标的日子真的很可怕!

说来这是件让人笑话的事,工作十余年,用了整整6年光阴才找到自己的职业方向:测试。用一句话概括这6年就是“没头的苍蝇四处乱撞”,没目标的日子就是可怕:害怕没工作、没房子、没老婆、没未来。

我毕业于一所重点大学,但毕竟是个师范大学,又不是响当当的计算机、电子专业,再说学习成绩也只中等,所以求职之路并那么顺利,并不像一般人那样直接去电信、移动、外资企业。倒是快毕业时签了一家大型国有家电企业,但去上了半年班后还是失望离开了。

一位软件测试工程师的成长经历

进军上海。

那时候IT业还是方兴未艾,所以找工作似乎也没那么难,只是找个响当当名牌企业不那么容易。于是去应聘做硬件开发,熬了一年多被老板踢出门了。事实上从来也没设计出一个PCB板子出来,在里面也就是跟着软件开发的调一调路由器。一个月2千多块混日子。

日子还得过,后来没办法又去了一家美资小公司做技术支持,就那么几台交换机,干了2年多又去了一家外地驻上海办事处,总共就5个人。一年后倒闭了,再次失业。

转眼间6年过去了,老婆无着落,房子没希望。生活黯淡无光。

投简历、失望,投简历、再失望........终于有一天,一家小有名气的设备制造商给了我一个offer,给了我一个测试职位,也开始了8年之长的测试自旅,期间虽然换过公司,但在通信设备上的测试经验和职业素养,已经今非昔比。8年,对于很多从事测试的朋友来讲这是个非常长的时间,对于那些信奉“测试就是吃青春饭”的人来讲这是很不可思议的件事情。现在虽然已近不惑之年,但对测试工作的投入依然不减当年,在通信行业的知识积累也相当深厚。

这里谈谈从事测试职业的一些感受(以通信行业系统测试为例):

一、测试行业并非是“青春饭”。只要你愿意,你可以干到40岁,甚至50岁。因为,测试职业,特别是系统测试需要宽泛的行业知识和丰富的测试经验。而这些都是需要在工作中不停磨练和积累的。

二、测试工作需要强调协作和配合。测试工作不像开发,本身并不能生产产品,只能为产品把质量关,所以测试工作需要和多部门配合典型的有开发部,系统部。开发部里面还会有硬件开发部,软件开发部;软件开发部还有负责系统的,驱动的,应用软件的,网管的。所以必须要了解产品的系统结构,才能和这些职能部门很好配合;

三、测试工作和开发工作一样重要,少了一样产品都不能发布出去,否则无异于自杀。但是测试工作一般是在开发完成交付的基础上进行的。在日常工作中,测试人员要排除自卑思想,敢于向开发表明观点,指出错误。当然知识足够才能底气足,所以平时要注意知识的学习。

四、要注意沟通技能培养。和他人陈述观点时,要有条理性,逻辑性,既要尊重别人又要敢于提出异议。和各个部门和角色的沟通方法也不尽一样,平时要多注意学习和练习;

五、测试工作需要不断学习和积累。因为测试既需要丰富测试知识,又需要宽泛、系统的专业知识,而不需要像开发那样只需要精通于某一小块(事实上资深的开发人员知识面也很广),所以平时要注意学习和提升。可以学习的对象有公司文档(系统设计、说明书等)、专业书籍,实际设备。同时,也需要多向开发人员学习,多探讨问题。

六、要注意职业生涯的规划。这恐怕是很多人关注的,但也是比较棘手的事,有个明确的职业规划可以少走很多弯路,不像我起初那样几乎就是混日子。个人认为测试工程师如果收入较好的话可以继续深入发展,成为资深、高级测试工程师。如果对测试有厌倦感,喜欢一些新鲜尝试的话可以去市场、销售,甚至是一些测试无关的岗位做些尝试,不要把自己限制得太死。职业的测试培训师也是一个好的方向,如果你善于演讲,富有耐心,这也是不错的选择。今后的出路完全靠自己把握,但前提是对自己的能力和个性要有了解,同时有个合适的职业规划。

绵薄之力


做为一名自动化软件测试,接下来我想分享一下这些年来,我对于技术一些归纳和总结,和自己对作为一名高级测试者需要掌握那些技能的笔记分享,希望能帮助到有心在技术这条道路上一路走到黑的朋友!

下面分享我整理的这份2021年可能是最全的软件测试工程师发展方向知识架构体系图。

一、Linux必备知识

linux作为现在最流行的软件环境系统,一定需要掌握,目前的招聘要求都需要有linux能力。

二、Shell脚本
掌握shell脚本,包括shell基础与应用、shell逻辑控制、shell逻辑函数等。å¨è¿éæå¥å¾çæè¿°

三、互联网程序原理
自动化必由之路:前端开发基础知识以及互联网网络必备知识。

å¨è¿éæå¥å¾çæè¿°

四、Mysql数据库
软件测试工程师必备Mysql数据库知识,不仅仅停留在基本的“增删改查”。
å¨è¿éæå¥å¾çæè¿°

五、抓包工具
Fiddler、Wireshark、Sniffer、Tcpdump各种抓包工具适用于各种项目,总有一款适合你。

å¨è¿éæå¥å¾çæè¿°

六、接口测试工具
接口测试神器,你绕不开的强大工具:Jmeter。小巧灵活:Postman。

å¨è¿éæå¥å¾çæè¿°

七、Web自动化测试Java&Pyhton
了解自动化的目的,熟练掌握testng&unittest自动化框架,以及断言与日志处理。
å¨è¿éæå¥å¾çæè¿°

八、接口与手机自动化
专业接口调用、测试解决方案。组建完整的web和接口自动化框架,Appium整体使用。
å¨è¿éæå¥å¾çæè¿°

九、敏捷测试&TestOps构建
揭开TestOps的神秘面纱,持续集成Jenkins框架烂熟于心。

å¨è¿éæå¥å¾çæè¿°

十、性能测试&安全测试
软件测试的彼岸:性能测试和安全测试,选对方向,努力爬坑吧!

å¨è¿éæå¥å¾çæè¿°

上面就是我为大家整理出来的一份软件测试工程师发展方向知识架构体系图。希望大家能照着这个体系在3-4个月完成这样一个体系的构建。可以说,这个过程会让你痛不欲生,但只要你熬过去了。以后的生活就轻松很多。正所谓万事开头难,只要迈出了第一步,你就已经成功了一半,等到完成之后再回顾这一段路程的时候,你肯定会感慨良多。

看完这篇内容后,相信以下两件事,也会对你的个人提升有所帮助:

1、 点赞,让更多人能看到这篇文章,同时你的认可也会鼓励我创作更多优质内容。

2、 让自己变得更强:想一想,如果你想在测试这个行业一直做下去,你的经验和测试技术是远远不够的,你需要进阶,你需要丰富你的技术栈!还等什么!

最后:【可能给予你助力的教程】

å¨è¿éæå¥å¾çæè¿°这些资料,对于做【软件测试】的朋友来说应该是最全面最完整的备战仓库,这个仓库也陪伴我走过了最艰难的路程,希望也能帮助到你!凡事要趁早,特别是技术行业,一定要提升技术功底。

关注我的微信公众号:【程序员小濠

我的学习交流群:175317069一起交流分享~

如果我的博客对你有帮助、如果你喜欢我的博客内容,请 “点赞” “评论” “收藏” 一键三连哦!

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