Title: GitHub - BoneCapsule/DeepLearning: 软件测试与质量深度学习作业。针对深度学习图像识别模型的自动化测试框架,设计并实现一个 Python 实现 的基于 TensorFlow 的深度学习图像识别模型的自动化测试方法,采用特定的方 式,根据提供的训练数据集和待测数据集,由待测数据集尽量生成使得模型出错但 是和原始数据“相似度”高的测试数据 · GitHub
Open Graph Title: GitHub - BoneCapsule/DeepLearning: 软件测试与质量深度学习作业。针对深度学习图像识别模型的自动化测试框架,设计并实现一个 Python 实现 的基于 TensorFlow 的深度学习图像识别模型的自动化测试方法,采用特定的方 式,根据提供的训练数据集和待测数据集,由待测数据集尽量生成使得模型出错但 是和原始数据“相似度”高的测试数据
X Title: GitHub - BoneCapsule/DeepLearning: 软件测试与质量深度学习作业。针对深度学习图像识别模型的自动化测试框架,设计并实现一个 Python 实现 的基于 TensorFlow 的深度学习图像识别模型的自动化测试方法,采用特定的方 式,根据提供的训练数据集和待测数据集,由待测数据集尽量生成使得模型出错但 是和原始数据“相似度”高的测试数据
Description: 软件测试与质量深度学习作业。针对深度学习图像识别模型的自动化测试框架,设计并实现一个 Python 实现 的基于 TensorFlow 的深度学习图像识别模型的自动化测试方法,采用特定的方 式,根据提供的训练数据集和待测数据集,由待测数据集尽量生成使得模型出错但 是和原始数据“相似度”高的测试数据 - BoneCapsule/DeepLearning
Open Graph Description: 软件测试与质量深度学习作业。针对深度学习图像识别模型的自动化测试框架,设计并实现一个 Python 实现 的基于 TensorFlow 的深度学习图像识别模型的自动化测试方法,采用特定的方 式,根据提供的训练数据集和待测数据集,由待测数据集尽量生成使得模型出错但 是和原始数据“相似度”高的测试数据 - BoneCapsule/DeepLearning
X Description: 软件测试与质量深度学习作业。针对深度学习图像识别模型的自动化测试框架,设计并实现一个 Python 实现 的基于 TensorFlow 的深度学习图像识别模型的自动化测试方法,采用特定的方 式,根据提供的训练数据集和待测数据集,由待测数据集尽量生成使得模型出错但 是和原始数据“相似度”高的测试数据 - BoneCapsule/DeepLearning
Opengraph URL: https://github.com/BoneCapsule/DeepLearning
X: @github
Domain: github.com
| route-pattern | /:user_id/:repository |
| route-controller | files |
| route-action | disambiguate |
| fetch-nonce | v2:ebe10039-cf61-5b27-a5ea-6ed31c8feea6 |
| current-catalog-service-hash | f3abb0cc802f3d7b95fc8762b94bdcb13bf39634c40c357301c4aa1d67a256fb |
| request-id | B0F6:26EC4C:9D85C7:E4E82E:6A575D83 |
| html-safe-nonce | 8649429df38c98bedc2f4b8c8b72477603e5169fb8a210c1fcc91982fa311ce2 |
| visitor-payload | eyJyZWZlcnJlciI6IiIsInJlcXVlc3RfaWQiOiJCMEY2OjI2RUM0Qzo5RDg1Qzc6RTRFODJFOjZBNTc1RDgzIiwidmlzaXRvcl9pZCI6IjQwMDQ5MDUyMTI1Njk5MzUyMzYiLCJyZWdpb25fZWRnZSI6ImlhZCIsInJlZ2lvbl9yZW5kZXIiOiJpYWQifQ== |
| visitor-hmac | 003aed7cc5766571a5eff99af32f8ab6e7bce7d9404a8a7217992422ee1fa84b |
| hovercard-subject-tag | repository:196000515 |
| github-keyboard-shortcuts | repository,copilot |
| google-site-verification | Apib7-x98H0j5cPqHWwSMm6dNU4GmODRoqxLiDzdx9I |
| octolytics-url | https://collector.github.com/github/collect |
| analytics-location | / |
| fb:app_id | 1401488693436528 |
| apple-itunes-app | app-id=1477376905, app-argument=https://github.com/BoneCapsule/DeepLearning |
| twitter:image | https://opengraph.githubassets.com/a98b00cdb0592a73694eb26f2bfd9a12757f1719bd23bc9980d31548157a2fa6/BoneCapsule/DeepLearning |
| twitter:card | summary_large_image |
| og:image | https://opengraph.githubassets.com/a98b00cdb0592a73694eb26f2bfd9a12757f1719bd23bc9980d31548157a2fa6/BoneCapsule/DeepLearning |
| og:image:alt | 软件测试与质量深度学习作业。针对深度学习图像识别模型的自动化测试框架,设计并实现一个 Python 实现 的基于 TensorFlow 的深度学习图像识别模型的自动化测试方法,采用特定的方 式,根据提供的训练数据集和待测数据集,由待测数据集尽量生成使得模型出错但 是和原始数据“相似度”高的测试数据 - BoneCapsule/DeepLearning |
| og:image:width | 1200 |
| og:image:height | 600 |
| og:site_name | GitHub |
| og:type | object |
| hostname | github.com |
| expected-hostname | github.com |
| None | 4e7a7296a3830877cf21a6ad2a972c9e618a48915e03966cf0c53eb08e5aad98 |
| turbo-cache-control | no-cache |
| go-import | github.com/BoneCapsule/DeepLearning git https://github.com/BoneCapsule/DeepLearning.git |
| octolytics-dimension-user_id | 27602371 |
| octolytics-dimension-user_login | BoneCapsule |
| octolytics-dimension-repository_id | 196000515 |
| octolytics-dimension-repository_nwo | BoneCapsule/DeepLearning |
| octolytics-dimension-repository_public | true |
| octolytics-dimension-repository_is_fork | false |
| octolytics-dimension-repository_network_root_id | 196000515 |
| octolytics-dimension-repository_network_root_nwo | BoneCapsule/DeepLearning |
| turbo-body-classes | logged-out env-production page-responsive |
| disable-turbo | false |
| browser-stats-url | https://api.github.com/_private/browser/stats |
| browser-errors-url | https://api.github.com/_private/browser/errors |
| release | 87685a1c739dbf97e95760413799bb0221799457 |
| ui-target | full |
| theme-color | #1e2327 |
| color-scheme | light dark |
Links:
Viewport: width=device-width