《Pragmatic unit testing:in java with Junit》阅读
- 使用数据文件——数据尤其可能出错,尤其是手工计算的数据;
- 找出边界条件是做单元测试中最有价值的工作之一,因为bug一般都出现在边界上;
- 简单的记忆方法:单词CORRECT;
- Conformance(一致性)——结果是否和预期一致;
- Ordering(顺序性)——结果是否应该是这样的;
- Range(区间性)——结果是否位于合理的最小值和最大值之间;
- Reference(依赖性)——代码是否引用了一些不在代码本身控制范围之内的外部资源;
- Existence(存在性)——结果是否应该存在;
- Cardinality(基数性)——是否恰好有足够的值;
- Time(相对或绝对的时间性)——所有事情的发生是否是有序的,是否是在正确的时刻?是否恰好及时?
- 内存耗光
- 磁盘用满
- 时钟出现问题
- 网络不可用或者出现问题
- 系统过载
- 调色板颜色数目有限
- 显示分辨率过高或过低
- 自动化包括两个方面:调用测试自动化、检查结果自动化
- 彻底是指测试了所有的可能情况。
- 独立于周围的环境,能够以任意的顺序一次又一次地执行,并且得到相同的结果。
- 对立于其他环境,独立于其他测试。
- 测试代码必须和产品代码一样
- 好处:测试代码能够访问产品代码中protected成员变量和函数;
- 坏处:测试代码混淆在产品代码中。
- 决策:小项目使用,大项目不能使用;
- 好处:测试代码远离产品代码,但不至于很远;
- 坏处:测试代码和产品代码在不同的包中,不能直接访问protected成员变量和函数;除非测试代码中使用了产品代码的子类,且子类暴露了那些成员;
- 决策:不建议使用。
- 好处:测试代码和产品代码不在混淆在一起;
- 坏处:测试代码大大远离产品代码;
- 决策:测试代码都在一个包中,享受了先前的访问权利。建议采用!
《Pragmatic unit testing:in java with Junit》阅读相关推荐
- 阅读《SentiLARE: Sentiment-Aware Language Representation Learning with Linguistic Knowledge》
SentiLARE: Sentiment-Aware Language Representation Learning with Linguistic Knowledge Abstract 现有的预训 ...
- Align before Fuse: Vision and Language Representation Learning with Momentum Distillation
ALBEF:Align before Fuse: Vision and Language Representation Learning with Momentum Distillation 论文链接 ...
- # 互信息最大化[视角统一]:Align before Fuse: Vision Language Representation Learning with Momentum Distillation
互信息最大化[视角统一]:Align before Fuse: Vision and Language Representation Learning with Momentum Distillati ...
- 【论文模型讲解】VideoBERT: A Joint Model for Video and Language Representation Learning
文章目录 前言 0 摘要 1 Introduction 2 相关工作 3 模型 3.1 BERT 3.2 VideoBERT 4 实验与分析 4.1 数据集 4.2 视频和语言预处理 4.3 模型预训 ...
- [论文学习]TDN: An Integrated Representation Learning Model of Knowledge Graphs
[论文学习以及翻译]TDN: An Integrated Representation Learning Model of Knowledge Graphs 文章主要内容 摘要 前言 相关工作 基于T ...
- Kaiming He论文阅读笔记三——Simple Siamese Representation Learning
Kaiming He大神在2021年发表的Exploring Simple Siamese Representation Learning,截至目前已经有963的引用,今天我们就一起来阅读一下这篇自监 ...
- [论文阅读] iCaRL: Incremental Classifier and Representation Learning
论文地址:https://openaccess.thecvf.com/content_cvpr_2017/html/Rebuffi_iCaRL_Incremental_Classifier_CVPR_ ...
- 自然语言处理学习——论文分享——A Mutual Information Maximization Perspective of Language Representation Learning
资料放在前面:https://blog.csdn.net/Arnetminer/article/details/105840669 文章的贡献如下: (1)提出了一个基于最大化MI的理论框架来理解词表 ...
- CVPR 2020 《12-in-1: Multi-Task Vision and Language Representation Learning》论文笔记
目录 简介 动机 贡献 方法 实验 简介 本文是在NIPS 2019 ViLBERT上的拓展. 论文链接 动机 本文修改了ViLBERT的预训练过程,有两个小修改:1. 对regions进行mask时 ...
- 论文阅读Unsupervised Corpus Aware Language Model Pre-training for Dense Passage Retrieval
密集文本检索的无监督语料库感知语言模型预训练 ACL2022 论文链接 摘要 最近的研究证明了使用微调语言模型(LM)进行密集检索的有效性.然而,密集检索器很难训练,通常需要经过精心设计的微调管道才能 ...
最新文章
- 中职计算机教师个人自我诊改报告,教师自我诊改报告
- eWeek: 三巨头Web应用服务对比
- python 中 __name__ 的使用
- 【渝粤题库】国家开放大学2021春3608矿井水害防治题目
- Spring Boot下无法加载主类 org.apache.maven.wrapper.MavenWrapperMain问题解决
- Spring Boot笔记-echarts的使用及数据的修改
- CodeVs 1017 乘积最大(DP)
- 第二阶段团队冲刺(五)
- Outlook 邮箱备份操作手册
- Word批量转PDF/图片
- 伍斯特理工学院计算机,伍斯特理工大学
- ElmentUI数据表格 序号
- 《烟花》动漫电影 观后感
- 靖哥哥教你如果拦截去除弹窗广告
- 大数据入门之分布式计算框架Spark(3) -- Spark Streaming
- FPGA与普通CPU的区别
- Spark 持久化(cache和persist的区别)
- 如何宣传Android作为Bluetooth LE外围设备
- Cortex-M3 (NXP LPC1788)之RTC
- 日历代码 谷歌无法显示当日_在Windows日历中显示您的Google日历