测试策略-巨头们带来的启示

           成功并没有放之四海而皆准的秘诀,同样没有放之四海而皆准的测试策略。不同公司虽然对测试质量的把控,有不同层面的侧重,进而满足不同的产品质量需求。

微软

              和谷歌的核心业务的目标类似:持续交付高质量产品。测试研发比在2:3,二者薪资持平,测试人员被称为测试领域的研发人员。

            该公司持续交付高质量产品的原因来自于:其产品多为端上的产品,问题修复困难,给用户体验困扰较大。

亚马逊

            测试研发比在1:7的公司,可见质量的要求并不是十分重要。当然了,如果某段时间因为质量原因导致大故障,或客户流失,会加大测试力度。该公司之所以这么“不重视”质量,原因如下:

  • 实现快速回滚,有问题,及时回到正常
  • 开发流程的成熟

ps: 个人理解,这个理念比较类似国内的某些公司流程,但这种流程相比Google流程,明显不可能很好的避免故障了。

Facebook

           该公司 彻底贯彻了一条准则:谁产生谁处理。脸书不雇佣专门的测试人员,依赖开发人员做测试,理由如下:

  • 减少对测试的关注,可以释放更多资源做更有价值的事情
  • 递增式迭代,对小波用户开放,出现问题再决定是继续完善还是放弃

            不断打补丁的方式进行迭代,推进产品演进。

ps: 个人看法,这种开发人员=测试人员的做法,有些忽略了人思维局限性。在实际项目中,如何避免一次上线,随后伴随着N次上线进行弥补,恐怕是Facebook在实践中需要考虑的了。

 谷歌

http://www.googblogs.com/category/google-testing-blog

            核心业务,为了保证持续地、高质量的交付,不希望因为测试不到位或疏漏而把产品搞砸,影响声誉,大致流程:

  •  专职的测试人员进行测试;
  • 在众测平台上进行进一步的测试;
  • 试用阶段,谷歌的员工在日常工作中来使用产品;
  •  Beta测试,即把产品释放给一小部分真实客户来使用。

          前三个阶段,任何问题都不会影响到真实用户;第四个阶段才会影响一小波用户,但影响用户的比例可以视情况把控。这四个阶段有如下特点:

  • 测试的深度和广度不同
  • 由不同人员进行测试
  • 交付质量越来越高

              当然了,这四个阶段比国内绝大多数公司的测试流程都更加完善和合理(尽最大可能保证各个层面的质量),但在执行这四个流程时,需要做到:

  • 信息的快速共享(需求、发现问题等)
  • 不同阶段测试人员的沟通(重复测试或漏测;最理想状态:一定程度的重复/交叉测试)

            非核心业务,为了保证快速交付,并适当兼顾质量,测试流程并没有执行4个流程,甚至由开发人员进行测试。但无论如何,都要以谨慎、严肃的心态看待质量。

 

            测试人员与开发人员持平的薪资,可见质量在谷歌的重要程度

总结

           产品交付需要满足不同方面的目标,或是持续性的高质量、或是快速交付、或是抢占商机... 。不同公司需要视情况而定。但最重要的一点:测试活动不应该是某个人或一些人的活动,应该变成人人都是测试,并持续为质量负责。很多公司往往见到这样的现象:一屋子人围绕着一个线上故障,相互扯皮,互相推责。其根本原因在于仍把测试活动,或者说质量把控活动当成了某个人或某一些人的事情,而非人人都有责任捍卫的事情。

            国内很多公司或模仿巨头们的流程,或在此基础上做适当改进,这都是很好的实践方式。但有些项目,往往想通过不完善的测试流程(在测试阶段上“缺斤少两”)来达到持续高质量的交付,这恐怕就是“水中捞月”的期望了。       

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