人工智能軟件進(jìn)行冒煙測(cè)試的方法[分步驟演示]

我們?cè)谶M(jìn)行普通軟件測(cè)試的時(shí)候，第一步是要進(jìn)行冒煙測(cè)試，那么在測(cè)試人工智能軟件的時(shí)候第一步是要做什么呢?其實(shí)同樣是要做冒煙測(cè)試，本文就通過兩步給大家介紹怎樣做人工智能軟件的冒煙測(cè)試。

一、了解冒煙測(cè)試的作用

目標(biāo)

掌握冒煙測(cè)試在軟件測(cè)試中的作用

步驟

1.開發(fā)提測(cè)軟件版本

2.測(cè)試根據(jù)冒煙測(cè)試用例對(duì)軟件進(jìn)行冒煙測(cè)試

3.冒煙測(cè)試沒通過不進(jìn)行系統(tǒng)測(cè)試，讓研發(fā)重新提測(cè)

4.冒煙測(cè)試通過后按照功能進(jìn)行正常的版本回歸測(cè)試

5.測(cè)試沒有bug后軟件上線

冒煙測(cè)試作用：

1.冒煙測(cè)試可以避免無用的測(cè)試，重大流程走不通繼續(xù)測(cè)試沒意義

2.冒煙測(cè)試在第一時(shí)間確保了核心流程是否有問題，提高了測(cè)試的效率

二、進(jìn)行AI軟件的冒煙測(cè)試

目標(biāo)

掌握AI軟件測(cè)試的方法和關(guān)鍵代碼

步驟

1.獲取測(cè)試數(shù)據(jù)

sample=pd.read_csv("train_data.csv")

2.獲取研發(fā)給的標(biāo)準(zhǔn)化后的模型

scaler_root_path = "../scaler/"

scaler_path = scaler_root_path + sorted(os.listdir(scaler_root_path))[-1]

scaler = joblib.load(scaler_path)

3.對(duì)測(cè)試數(shù)據(jù)實(shí)現(xiàn)同樣的標(biāo)準(zhǔn)化

sca_fea = scaler.transform(sample.iloc[:,0:len(sample.columns)-1])

4.獲取研發(fā)給的待測(cè)系統(tǒng)的模型

model_root_path = "../gbdt_model/"

model_path = model_root_path + sorted(os.listdir(model_root_path))[-1]

model = joblib.load(model_path)

5.模型預(yù)測(cè)

score = model.predict(sca_fea)

6.得出冒煙測(cè)試的auc值

auc=roc_auc_score(sample.iloc[:,-1],score)

7.打印并評(píng)估冒煙測(cè)試指標(biāo)

print("冒煙測(cè)試的auc值為"+str(auc))

總結(jié)

冒煙測(cè)試可以提高測(cè)試效率，其在人工智能軟件測(cè)試中能起到同樣的作用，不同的是人工智能軟件的冒煙測(cè)試需要通過對(duì)研發(fā)提交的模型通過寫代碼的方式來進(jìn)行，一般冒煙測(cè)試的指標(biāo)就是實(shí)現(xiàn)模型算法的評(píng)測(cè)指標(biāo)比如說：準(zhǔn)確率，如果這個(gè)準(zhǔn)確率大于研發(fā)的提測(cè)要求，就算冒煙測(cè)試通過，否則冒煙測(cè)試沒通過。

猜你喜歡：

人工智能軟件如何測(cè)試會(huì)更嚴(yán)謹(jǐn)?