我的第一篇blog:说说我的从业经历

  难得周末,最近项目经理跟我说,有空学习下app自动化测试,明年要接入手机app端的自动化测试,包括android、ios。收到这个消息,我觉得我可能不会那么快离开这个公司了,哈哈,因为又可以边工作的同时接触、学习新技术,其实,在这家公司工作已经一年多,但是我学到东西确实很多很多,从只懂一点点QTP,会一点点VBS的菜鸟,到现在会java开发,au3,C#甚至懂得自动化框架的开发,已经是很大进步。对于IT行业,只有不断的学习接触新技术,你才能处于行业优势群体之中,否则时刻会被淘汰。

  说的这,心中感到很惭愧,虚度了几年,最近才开始意识到学习新技术,丰富自己。毕业已经四年多,前三年都是跟着工作走,工作中需要什么就去学习什么,然而也只有在工作时间里去学习,其他时间都是玩儿去了。现在感觉生活压力,自己不能再像以前那样,作为男人,你必须得有看家本领,你才能看的住自己的妹子,自己的家。

  第一份工作,一家200多人的私企,网络监控工程师,没有什么技术含量,学到一些计算机常用基础吧,就像当时的部门总监说的:这份工作其实就是付钱买断你们的手来工作。大概半年后,转部门开始接触自动化测试,刚开始是使用IBM的RFT工具,其实就是识别对象,然后用管理平台,根据平台设置的拼装规则把对对象的操作步骤组建成一个脚本,再用代理启动调度脚本运行,这个框架优势在于分布式运行脚本,一个测试任务可以分派给多台执行机共同完成。半年后,由于人员流动,让我担任自动化测试组组长,处于当时的工作压力比较大,然而薪水又很低,感觉自己的付出完全没有得到应有的回报,选择了离开;浮躁,刚毕业的同学都有这个毛病,其实现在想起来挺后悔的,有一个锻炼管理能力的机会也是错的。

  第二份工作,一家30来人的私企,自动化测试工程师,有了之前的自动化测试经验基础,让我很容易就找到份专职做自动化测试工作。然而并不是我理想中那么好的工作,首先不得不说这里的管理很烂很垃圾,测试经理完全是个技术小白,连计算机的基础常识操作都不会,有时候甚至问我笔记本为什么连不上局方(客户)的开发环境、执行机。其实由于他的弱小才能体现出我的强大吧,总之在这里就是所有问题都找我解决,解决得了还好,解决补了那就惨了,作为外包公司,当客户有问题,你们外包给不出解决方案的时候,客户已经对你们的能力产生巨大的怀疑,那么下一期的合同可能就要泡汤了,所以在这里呆的不久。第二份工作,只使用了QTP,结合管理平台,组建脚本,代理调度执行脚本的模式,最大的收获接触并学历的自动化测试框架。

  第三份工作也就是现在,在一家基金管理公司,任职自动化测试工程师,隶属公共功能部门,负责所有内部系统,公司系统的自动化测试需求的开发,包括c/s,b/s结构的系统,后续还有微信网页,android\ios的app测试。在这里你要用到的东西完全你是不可预知的,因为各项目组的需求涉及的都是不同系统,不同框架,又有不同的处理需求。刚入职,接的是个C#开发的CS系统自动化测试需求,使用ranorex进行自动化测试,自动化框架已经是开发好了,在没有C#基础的情况下,直接看框架代码,熟悉框架(好在大学时候开发语言的基础好),刚开始看的挺吃力的,慢慢的就好了,其实对于面向对象或者面向过程开发,我个人觉得,所有开发语言都是大同小异,弄清了整个框架逻辑就好办了,也许给我一个函数,让我说出具体哪个步骤是做什么的,我可能说不出来,但是整个框架的执行逻辑,我是清楚的,这样我在后续的开发脚本维护脚本过程中就轻松了,由于项目经理的离职,三个月的放养期,此需求不了了之。后面又转入QTP脚本开发,管理平台的二次开发,管理平台刚引入夫人时候,后台框架只有QTP,随着各个项目的需求增加,QTP的局限,需要引入新工具支持我们的自动化开展,从而开始我们自己开发框架,复制QTP框架的实现逻辑,慢慢的搭建其他工具的框架。

转载于:https://www.cnblogs.com/Lookqing/p/5840312.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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