软件测试系列第一阶段：第一课 计算机基础

Posted 2023-04-06 m0_62395433

软件测试相关的理论和工具

学习周期

3-4周期

软件测试就业岗位

自动化测试

手动测试

接口测试

学习建议

不要过分追求新技术

稳定心态 态度决定一切

记笔记和总结

提高工作效率

快捷键 命令

不计较眼前的得失

深入研究 耐得住寂寞

学习的三重境界

树立目标

为了目标而努力

超越了设立的目标

什么是软件测试

通过人工或者软件的方式去找到程序运行期间存在的问题，并配合开发人员解决问题，保证程序能正常的运行和交付

IT服务外包

外包公司：专门承接其他公司的技术开发项目

第二课：计算机基础

计算机的构成

内部设备

中央处理器-CPU，用来处理数据

个人电脑内存条插槽：1-2

个人电脑得内存大小范围普遍:8G-32G

特点

内存得存储空间相对较小

内存中得数据据断电就没有了

速度非常快

主板：将CPU.内存.网卡等设备链接到一起

主板通过使用纽扣电池供电

外包设备

输入设备:鼠标.键盘.麦克风.扫描仪

输出设备：音响.显示器.打印机

存储设备：外存：可以实现数据永久存储得设备

类型：硬盘 u盘 光盘

特点

存储空间相对较大，例如硬盘空间普遍是1T-4T

数据不会丢失

速度慢

手机

8+256

8：运行内存，也就是内部存储，断电会丢失，这个存储读取速度很快

256：外部储存，外存中得数据，会永久储存，但是这个存储得读写数据得很慢

常识：

计算机能识别和处理得只有0和1，这叫做二进制数

数学

十进制

二进制

计算机得存储单位

bit（位，b）：一个二进制得0或者一个二进制得1就是1位

byte（字节，B）：1字节等于8位

K（千字节）：1千个字节

M（兆字节）：1024个K

G（G字节）:1024个M

单位换算

1B=8b

1K=1024B

1M=1024B

1T=1024G

操作系统

用户无法直接使用计算机硬件

用户是通过OS（operation system：操作系统）来控制和使用硬件的

类型的类型

windows

个人系统：windowsXP  windwos7  Windows8  Windows10 

服务器系统：Windows server2003  Windows server2008   Windowsserver2012

dos命令

打开dos窗口的方法

打开‘运行窗口’，快捷键是win+r，在输入空中输入cmd

清屏命令：cls

切换硬盘：盘符：

查看目录中有哪些文件：dir

查看IP地址信息:ipconfig/all

常规的IP地址：

点分十进制的地址，也就是用点来分割十进制数

每个十进制数的范围0-255

mac地址

每个网卡有一个全球唯一的地址，这个地址是设备出厂的时候，固化在设备中

mac地址是有12个16进制数字构成的

行人重识别计算机视觉进阶系列 第一课 基础知识

【行人重识别】🖐计算机视觉进阶系列🖐 第一课 基础知识

• 概述
• 行人重识别
• rank-1
• mAP
• 损失函数
• • 交叉熵
  • Triplet Loss
  • Hard Negative

概述

行人重识别 (Person Re-Identification) 是利用计算机视觉技术判断图片或视频中是否存在特定行人的技术. 行人重识别技术可以帮助我们在多摄像头的复杂场景中快速定位查找到指定目标的所有结果. 行人重识别技术在智能安防, 监控等领域有者巨大的前景. 今天小白就带大家来一起学习一下行人重识别的技术.

行人重识别

行人重识别 (Person Re-Identification) 是利用计算机视觉技术判断图片或视频中是否存在特定行人的技术.

行人重识别面临的挑战:

1. 图像分辨率低
2. 遮挡
3. 视角, 姿势变化
4. 光照变化
5. 视觉模糊性

rank-1

rank-1 即预测最高概率的标签与真实标签占比的百分比, 即第一张返回的图像正确的百分比. 例如, 模型识别了 100 只猪, 但实际上, 里面 90 只是猪, 10 只是大象. rank-1 的值就为 90/100 = 90%.

mAP

mAP (Mean Average Precision) 即 AP 的平均值.

ap 的计算过程:

• 找到第一张返回图片正确的位置, 取得 $Precisio{n}_1=\frac{inde{x}_{p}1}{inde{x}_{t}otal}$
• 找到第二章返回图片正确的位置, 取得 $Precisio{n}_2=\frac{inde{x}_{p}2}{inde{x}_{t}otal}$
• 重复以上步骤, 取得 $AP=\frac{Precisio{n}_1+Precisio{n}_2+...+Precisio{n}_n}{n}$

损失函数

行人重识别通常使用的函数为分类损失 + Triplet Loss, 增加 Triplet 可以使得特征提取的更好. 下面我们就分别来讲解一下.

交叉熵

交叉熵 (Cross Entropy) 是分类任务最常用的一种损失, 可以帮助我们求得目标与预测值之间的差距. 关于交叉熵的具体推导流程请大家自行百度, 在这里就不过多赘述.

Triplet Loss

Triplet Loss 是深度学习的一种损失函数, 主要用于训练差异性小的样本.

Triplet Loss 由三个部分组成, 分别为:

1. 锚 (Anchor): 当前数据
2. 正示例 (Positive): 和锚为同一人的数据
3. 负示例 (Negative): 和锚为不同人的数据

Triplet Loss 计算流程:

1. 分别对三份数据进行编码
2. 分别将三份数据经过相同的网络
3. 计算三份数据之间的差异
4. 通过差值来更新权重参数

Triplet Loss 训练的目标是拉近锚 (Anchor) 与正示例 (Positive) 的距离, 拉远锚 (Anchor) 与负示例 (Negative) 的距离.

Triplet Loss 公式:

$||f(A)-f(P)|{|}^2-||f(A)-f(N)|{|}^2+a\le 0$

我们可以看到
公式中存在一个 $a$, 也被称作间隔 (Margin), 表示 d(A, P) 与 d(A, N) 至少相差多少, 从而避免模型走捷径将正示例和负示例的距离训练的相等.

Hard Negative

Hard Negative 即难以正确分类的样本. 在行人重识别中, 我们会尽量挑选和正示例相近的负示例 d(A, P) $\approx$ d(A, N), 从而使模型多进行训练以达到更好的效果.