《代码之美》第7章 漂亮的测试 的bad smell

这章基于二分查找讨论了一个漂亮的测试应该怎么做。
先看看原文怎么做。这里的讨论省略了随机,性能,数组中元素重复,以及输入为null的情况。

	public void testBinarySearch() {

int[] testArray = ...;
int target = ...;

int returnValue = Util.binarySearch(testArray, target);

// 当returnValue为-1的时候,数组中没有target.
assertTheory1(testArray, target, returnValue);

// 当returnValue大于等于0的时候,数组中returnValue的值等于target.
assertTheory2(testArray, target, returnValue);

// 当数组中没有target时,应该返回-1.
assertTheory3(testArray, target, returnValue);

// 如果testArray在位置n上包含target,那么binarySearch(testArray,target)必须返回n.
assertTheory4(testArray, target, returnValue);
}

private void assertTheory1(int[] testArray, int target, int returnValue) {
if (returnValue == -1) {
assertFalse(arrayContainsTarget(testArray, target));
}
}

private void assertTheory2(int[] testArray, int target, int returnValue) {
if (returnValue >= 0) {
assertEquals(target, testArray[returnValue]);
}
}

private void assertTheory3(int[] testArray, int target, int returnValue) {
if (!arrayContainsTarget(testArray, target)) {
assertEquals(-1, returnValue);
}
}

private void assertTheory4(int[] testArray, int target, int returnValue) {
assertEquals(getTargetPosition(testArray, target), returnValue);
}

private int getTargetPosition(int[] testArray, int target) {
for (int i = 0; i < testArray.length; i++) {
if (testArray[i] == target)
return i;
}
return -1;
}


作者先是建立了Theory1,2作为验证的手段,然后发现Theory1,2有漏洞,于是补充上Theory3,4形成一个测试组。

但是仔细研究这段代码发现还是有问题的。
一个很微小的瑕疵就是Theory4的定义和实现不一致,Theory4的code验证包含了Theory4的理论推理。

本来这个也没有什么了不起,但是让我们从头开始回顾为什么要测试二分查找。
答:简单的查找不容易错但是慢,所以我们需要速度快的二分查找。
但是二分查找涉及了一些求中值啊,改变上下限的操作,容易出错,所以我们需要测试二分查找。

Aha,getTargetPosition本身就是一个符合二分查找规范的简单查找(除了性能),而且因为其简单,我们肉眼检查可以确信该实现是正确的。思路来了,用一个正确的慢的实现去验证一个快的实现。

原来的Theory1,2,3,4变成了一个,任何情况下,二分查找应该和一个符合二分查找功能规范(除了性能)的简单查找的结果相同。

Refine后的代码如下。

	public void testBinarySearch() {

int[] testArray = new int[10];
int target = 0;

int returnValue = Util.binarySearch(testArray, target);

assertEquals(getTargetPosition(testArray, target), returnValue);

}


private int getTargetPosition(int[] testArray, int target) {
for (int i = 0; i < testArray.length; i++) {
if (testArray[i] == target)
return i;
}
return -1;
}


嗯,code变少了,更简洁漂亮了,I like it。
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