人工智能在自动化测试中的一点小实践

作者：iamcodylee 发布时间：[ 2017/4/1 11:11:08 ] 推荐标签：自动化测试人工智能

　　楼主在自学完人工智(ruo)能(zhi)后，一直都没有在测试工作中找到可施展的地方。碰巧近再和360的同行交流后，灵光一闪，有了的文章。
　　背景
　　花椒相机是360发布的一款拍照APP，可以在照片中加入各种小插件来美化照片。尽管自动化可以搞定该APP拍照的大部分功能，但是对于加入插件后的照片是否正确却无法验证，只能通过保存到本地，进行人工检查。无法使自动化形成一个闭环，未能使自动化的价值大化。
　　可行性分析
　　既然可以拍照把照片保存到本地，当照片变多后，形成了大量的照片数据，这些照片完全可以再利用起来，用人工智能来玩。
　　工具选择
　　· Google出品的TensorFlow，说真的，楼主倒腾了两天TensorFlow，硬是没搞出个结果来，所以放弃了。
　　· Python机器学习包，Scikit-learn，超好用的机器学习包，一直都在用这个机器学习包。
　　工欲善其事必先利其器
　　这里简单的写下所需要的工具包的安装，如果安装的时候遇到了各种莫名其妙的报错问题，那么Google一下
　　楼主的Python版本是2.7，已经安装好pip，所以只要简单几步可以安装好运行Scikit-learn所需要的环境
　　安装Numpy
　　$ sudo pip install numpy
　　安装Scipy
　　$ sudo pip install scipy
　　安装Scikit-learn
　　$ sudo pip install scikit-learn
　　安装PIL，这个用来读取图片，到官网下载安装包到本地，切换到解压路径
　　$ sudo python setup.py install
　　注意：有可能还要安装JPEG的包，这个取决于本机是否已经安装，未安装的可以参考网上教程
　　其他
　　· 训练数据以及测试数据，这里楼主自拍了7种不同插件的照片共计136张，测试数据5种共计5张
　　· 对于机器学习来说，数据是越多越好越多越好，更多的数据会让你的模型效果更佳：）
　　你仅仅需要一点点机器学习的基础知识，以及Python基础知识。
　　那我们从这里开始进入正文
　　因为楼主的目的是要对图片进行多分类，因为楼主的数据里面已经有X -> Y了，所以这是一种有监督学习。
　　首先我们要确定的是用什么算法来训练数据，这里楼主主要试验了两种算法：
　　1、KNN
　　使用KNN的时候，因为数据样本不够多，正确率大概在60%左右，不是太可观的结果。
　　2、SVM
　　对于，支持向量机，也使用了两种算法
　　· SVC："one-against-one"策略
　　· LinearSVC："one-vs-the-rest"策略
　　代码如下：
import Image
import numpy as np
import os
from sklearn import svm
def getTrainClass(category):
if category == 'Train':
classes = {0， 1， 2， 3， 4， 5， 6， 7}
else:
classes = {0， 1， 2， 5， 7}
return classes
def getImageData(path，classes):
ImageList = []
LabelList = []
for name in classes:
class_path = cwd + path + "/" + str(name) + "/"
for image_name in os.listdir(class_path):
image_path = class_path + image_name
if 'JPG' in image_path:
img = Image.open(image_path)
ImageList.append(np.asarray(img).flatten())
LabelList.append(name)
return ImageList， LabelList
cwd = '/home/hadoop/Pictures/pic1/'
TrClasses = getTrainClass('Train')
tr_img， tr_label = getImageData('Train'，TrClasses) #加载训练数据
tstClass = getTrainClass('Validation')
tst_img， tst_label = getImageData('Validation'，tstClass) #加载测试数据
svcClf = svm.LinearSVC() #直接使用默认参数好了
svcClf.fit(tr_img，tr_label)
Z = svcClf.predict(tst_img)
result = (1 - np.sum(Z==tst_label)/float(len(tst_img)))
print " the total error rate is: %f" %result
　　使用LinearSVC训练数据的时候，效率稍微有点低，比直接使用SVC低，但是别人正确率高呀
　　结果如下：