注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 很好用的弹出层控件一

  2. 组件特点及功能介绍： 1、调用方式简单，直接使用ymPrompt.alert()的方式调用，传入相应的参数即可。 2、完美兼容各类浏览器，在以下浏览器测试通过：IE6.0+、FF1.5+、Opear9+、Safari3.1、Google Chrome 0.3.154，完美兼容HTML4/XHTML1.0页面渲染模式。 3、完全的CSS皮肤定制功能，所有外观包括显示图标/关闭按钮等都可以通过css设置。目前提供了五种皮肤，Vista、QQ、dmm-green、ExtBlue和BlackColl。

  3. 所属分类：Web开发

    • 发布日期：2010-12-01
    • 文件大小：114688
    • 提供者：teachertina

  1. JQuery遮罩层登录界面源码

  2. 测试浏览器：IE8、FF3.6.8、Google Chrome （IE8中弹出登录层后会出现竖拉条，其他两种没有出现，那个竖拉条可以在JS中通过修改数值让其不出现，但是下面会出现白边） 点击登录显示登录窗口（层） ，同时用一个灰色透明层遮罩主窗体内容，点击【登录】，隐藏【登录】，显示loading图，登录失败，显示【登录】，隐藏登录图，同时显示提示信息。

  3. 所属分类：电子商务

    • 发布日期：2011-06-22
    • 文件大小：824320
    • 提供者：cuilulumvp

  1. JQuery遮罩层登录界面源码

  2. JQuery遮罩层登录界面源码 测试浏览器：IE8、FF3.6.8、Google Chrome （IE8中弹出登录层后会出现竖拉条，其他两种没有出现，那个竖拉条可以在JS中通过修改数值让其不出现，但是下面会出现白边） 点击登录显示登录窗口（层） ，同时用一个灰色透明层遮罩主窗体内容，点击【登录】，隐藏【登录】，显示loading图，登录失败，显示【登录】，隐藏登录图，同时显示提示信息。 开发工具：Visual Studio 2010 无数据库文件，请自行创建数据库，然后测试登录效果。详细查看代

  3. 所属分类：C#

    • 发布日期：2011-08-01
    • 文件大小：945152
    • 提供者：ss_geng

  1. 弹出层时，锁屏带模态窗口

  2. 弹出层时，并锁屏，带模态窗口,后面层变灰

  3. 所属分类：Javascript

    • 发布日期：2011-12-15
    • 文件大小：958
    • 提供者：army520

  1. 软件测试经典面试题 (超实用)

  2. 1、什么是兼容性测试？兼容性测试侧重哪些方面？ 5 2、我现在有个程序，发现在Windows上运行得很慢，怎么判别是程序存在问题还是软硬件系统存在问题？ 5 3、测试的策略有哪些？ 5 4、正交表测试用例设计方法的特点是什么？ 5 5、描述使用bugzilla缺陷管理工具对软件缺陷（BUG）跟踪的管理的流程？ 5 6、你觉得bugzilla在使用的过程中，有什么问题？ 5 7、描述测试用例设计的完整过程？ 6 8、单元测试的策略有哪些？ 6 9、LoadRunner分哪三部分？ 6 10、Lo

  3. 所属分类：互联网

    • 发布日期：2012-02-16
    • 文件大小：270336
    • 提供者：indigo5251

  1. 嵌入式软件测试工具--LOGISCOPE

  2. LOGISCOPE 是一组嵌入式软件测试工具集。它贯穿于软件开发、代码评审、单元/集成测试、系统测试、以及软件维护阶段。它面向源代码进行工作。LOGISCOPE 针对编码、测试和维护。因此，LOGISCOPE 的重点是帮助代码评审（Review ）和动态覆盖测试（Testing ）。 LOGISCOPE对软件的分析，采用基于国际间使用的度量方法（Halstead、McCabe等）的质量模型，以及从多家公司收集的编程规则集，可以从软件的编程规则，静态特征和动态测试覆盖等多个方面，量化地定义质量模

  3. 所属分类：硬件开发

    • 发布日期：2008-10-13
    • 文件大小：15728640
    • 提供者：zhongyunde

  1. JQuery遮罩层登录界面源码

  2. 测试浏览器：IE8、FF3.6.8、Google Chrome （IE8中弹出登录层后会出现竖拉条，其他两种没有出现，那个竖拉条可以在JS中通过修改数值让其不出现，但是下面会出现白边） 点击登录显示登录窗口（层） ，同时用一个灰色透明层遮罩主窗体内容，点击【登录】，隐藏【登录】，显示loading图，登录失败，显示【登录】，隐藏登录图，同时显示提示信息。 开发工具：Visual Studio 2010 无数据库文件，请自行创建数据库，然后测试登录效果。详细查看代码演示说明文件。

  3. 所属分类：C#

    • 发布日期：2014-07-01
    • 文件大小：824320
    • 提供者：xamxar1

  1. 自动化测试最佳实践

  2. 自动化测试不再是奢侈品而成为软件测试的必需品。随着应用程序和系统规模越来越大、越来越复杂，仅仅依赖手动测试已经无法全面地测试系统。随着技术的变动，越来越多的公司加入到了敏捷开发的阵营中，必须对这些程序进行测试，而且速度要快。测试自动化是非常基本的需求，但有时糟糕的自动化只会适得其反——如何才能知道应该在哪里进行自动化呢？ 作者Dorothy Gramham和Mark Fewster之前写的《Software Test Automation》这本书在自动化测试领域影响深远，它为很多公司指明了测试

  3. 所属分类：软件测试

    • 发布日期：2014-08-06
    • 文件大小：3145728
    • 提供者：chxq0828

  1. 精通qtp_自动化测试技术领航.pdf

  2. 1、精通qtp_自动化测试技术领航.pdf 资料很全，适合初学自动化测试的朋友们； 2、《精通qtp_自动化测试技术领航》的扫描件，书籍目录如下： 第1章 测试脚本开发从零开始 1.1 自动化测试从零开始 1.1.1 什么是自动化测试 1.1.2 严格的自动化测试流程 1.1.3 自动化测试用例设计详解 1.1.4 教父级自动化测试工具QTP 1.1.5 总结 知识点巩固和举一反三练习 1.2 帮助文档(HELP)——QTP的说明书 1.2.1 永远任劳任怨的良师益友“F1” 1.2.2 妙用

  3. 所属分类：软件测试

    • 发布日期：2015-03-30
    • 文件大小：32505856
    • 提供者：pengyaniuniu

  1. 基于C语言的bp神经网络实现

  2. 最近一直想学习深度学习，先学习了下神经网络，用c实现了bp算法，算法采用3层网络结构，好像测试了下多层隐藏层，结果一直无法收敛，不知道是不是我的测试数据问题，3层结构能收敛，可能有局部最优，看数据了，最近又发现了python，简直是写机器学习方面代码的神器啊

  3. 所属分类：C

    • 发布日期：2016-02-26
    • 文件大小：7168
    • 提供者：eatapples

  1. 精通QTP——自动化测试技术领航

  2. 第1章 测试脚本开发从零开始 5 1.1 自动化测试从零开始 5 1.1.1　什么是自动化测试 5 1.1.1.1　引言 5 1.1.1.2　自动化测试能做到什么及其优势，你心知肚明吗 6 1.1.1.3　自动化测试无法做到的事及其劣势分析 7 1.1.1.4　何时适合引入自动化测试 8 1.1.1.5　何时避免展开自动化测试 9 1.1.2　严格的自动化测试流程 11 1.1.2.1　影响自动化测试成功与否的关键因素是流程 11 1.1.2.2　自动化测试项目“标配” 18 1.1.3　自动

  3. 所属分类：软件测试

    • 发布日期：2012-07-12
    • 文件大小：9437184
    • 提供者：wpt19870426

  1. JS学习笔记相关代码-测试代码

  2. JS学习笔记相关文档 Login.html学习 placeholder 属性规定可描述输入字段预期值的简短的提示信息（比如：一个样本值或者预期格式的短描述）。 该提示会在用户输入值之前显示在输入字段中。 注意：placeholder 属性适用于下面的 input 类型：text、search、url、tel、email和password。 测试样例参见test/placeholder.html 局部刷新 class="toolbar clearfix" ToolBar  隐藏掉系统原先的导航栏

  3. 所属分类：HTML5

    • 发布日期：2019-06-05
    • 文件大小：4194304
    • 提供者：peterrabbit49

  1. testcode.ipynb

  2. 构建 了简单的三层神经网络，输入层为1个神经元，输出层为1个神经元，隐藏层为10个神经元，并进行可视化处理；注释为reduc_mean和reduce_sum的测试代码

  3. 所属分类：深度学习

    • 发布日期：2019-08-07
    • 文件大小：5120
    • 提供者：weixin_42149550

  1. delphi神经网络Weights 神经元的突触权值

  2. delphi神经网络Weights 神经元的突触权值 输入层到隐藏层权重学习 测试 批量测试，想要学习神经网络的朋友可以拿去研究下 源码

  3. 所属分类：Delphi

    • 发布日期：2020-03-22
    • 文件大小：56320
    • 提供者：reghtml

  1. 软件测试理论

  2. 软件测试理论篇 一、为什么软件要做软件测试 纵观历史事件说明软件测试的重要性 二、软件测试的概念 1、测试是为了发现错误而执行程序的过程 ; 2、在规定条件下，对程序进行操作，以发现错误，以软件质量进行评估 ; 3、使用人工或者自动化手段，来运行或者测试某个子系统的过程，其目的在于检查它是否 存在满足规定需求或弄清预期结果与实际结果之间的差别（ IEEE ：美国电气和电子工程师 协会）应用程序管理工具 2、软件基础知识:软件工程,软件生命周期、测试理论和测试方式有较深的理解 3、软件测试技术,方

  3. 所属分类：软件测试

    • 发布日期：2019-01-11
    • 文件大小：37888
    • 提供者：qq_33303936

  1. jQuery+AJAX实现遮罩层登录验证界面（附源码）

  2. JQuery遮罩层登录界面效果的实现，AJAX实现登录验证，文章尾有完整示例源码下载，欢迎大家学习研究。 操作系统：Windwos7 Ultimate 开发工具：Visual Studio 2010 数据库：Sql Server 2005 测试浏览器：IE8、FF3.6.8、Google Chrome （IE8中弹出登录层后会出现竖拉条，其他两种没有出现，那个竖拉条可以在JS中通过修改数值让其不出现，但是下面会出现白边，越来越觉得IE有点那个了……） 1、预览     1）登录前       2

  3. 所属分类：其它

    • 发布日期：2020-11-25
    • 文件大小：120832
    • 提供者：weixin_38660295

  1. tensorflow学习笔记之简单的神经网络训练和测试

  2. 本文实例为大家分享了用简单的神经网络来训练和测试的具体代码，供大家参考，具体内容如下 刚开始学习tf时，我们从简单的地方开始。卷积神经网络（CNN）是由简单的神经网络（NN）发展而来的，因此，我们的第一个例子，就从神经网络开始。 神经网络没有卷积功能，只有简单的三层：输入层，隐藏层和输出层。 数据从输入层输入，在隐藏层进行加权变换，最后在输出层进行输出。输出的时候，我们可以使用softmax回归，输出属于每个类别的概率值。借用极客学院的图表示如下： 其中，x1,x2,x3为输入数据，经过运算后

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：98304
    • 提供者：weixin_38693589

  1. keras 特征图可视化实例(中间层)

  2. 鉴于最近一段时间一直在折腾的CNN网络效果不太理想，主要目标是为了检测出图像中的一些关键点，可以参考人脸的关键点检测算法。 但是由于从数据集的制作是自己完成的，所以数据集质量可能有待商榷，训练效果不好的原因可能也是因为数据集没有制作好（标点实在是太累了）。 于是想看看自己做的数据集在进入到网络后那些中间的隐藏层到底发生了哪些变化。 今天主要是用已经训练好的mnist模型来提前测试一下，这里的mnist模型的准确度已经达到了98%左右。 使用的比较简单的一个模型： def simple_cnn(

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：91136
    • 提供者：weixin_38517904

  1. 一个两隐藏层网络详解（看会了相当于掌握了最基础的神级网络）

  2. # coding: utf-8 import sys, os sys.path.append(os.pardir) # 为了导入父目录的文件而进行的设定 import numpy as np import pickle from dataset.mnist import load_mnist ##导入mnist手写体识别 from common.functions import sigmoid, softmax ##获取手写数字识别的测试集合x_test.shape=1000*784,t_te

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：50176
    • 提供者：weixin_38690407

  1. 具有边缘化腐败隐藏层的神经网络

  2. 过度拟合是神经网络（NNs）训练中的重要问题。 当训练集中的样本数受到限制时，使用人工生成的样本显式扩展训练集是一种有效的解决方案。 但是，该方法存在计算成本高的问题。 在本文中，我们提出了一种新的学习方案，以隐式扩展的训练集训练单隐藏层前馈神经网络（SLFN）。 通过用指数族分布的噪声破坏训练样本的隐藏层输出来扩展训练集。 当损坏的数量接近无穷大时，在目标函数中，显式生成的样本可以表示为期望的形式。 我们的方法称为边缘化损坏隐藏层（MCHL），它通过最小化损坏分布下的损失函数期望值来训练SLF

  3. 所属分类：其它

    • 发布日期：2021-03-24
    • 文件大小：197632
    • 提供者：weixin_38606169
« 12 3 4 5 6 7 8 »