TestNG失败重试

引言

在执行自动化测试用例(特别是UI自动化)的过程中,您一定遇到过有一些用例第一遍失败了,重试过又过了。引这种问题原因有很多:网络问题、服务器问题、脚本健壮性不够等,失败的原因不是产品的bug,但是我们要花很多时间定位问题的原因。TestNG提供一个很棒的功能,可以自动重试失败用例,只有一次通过,就判定测试成功。

在我们研究TestNG如何实现失败重试机制之前,我们首先要了解org.testng.IRetryAnalyzer接口。接口的定义为

/**
   * Returns true if the test method has to be retried, false otherwise.
   *
   * @param result The result of the test method that just ran.
   * @return true if the test method has to be retried, false otherwise.
   */
  public boolean retry(ITestResult result);

这个接口只有一个方法:

public boolean retry(ITestResult result);

一旦测试失败,该方法就会被调用。ITestResult的输入参数中包括了测试用例详细信息。如果要重新执行失败的测试用例,则此方法的实现应返回true,否则返回false. 可以在方法内指定重试的次数。

该接口的简单实现如下:

package Tests;
 
import org.testng.IRetryAnalyzer;
import org.testng.ITestResult;
 
public class RetryAnalyzer implements IRetryAnalyzer {
 
 int counter = 0;
 int retryLimit = 4;
 /*
 * (non-Javadoc)
 * @see org.testng.IRetryAnalyzer#retry(org.testng.ITestResult)
 *
 * This method decides how many times a test needs to be rerun.
 * TestNg will call this method every time a test fails. So we
 * can put some code in here to decide when to rerun the test.
 *
 * Note: This method will return true if a tests needs to be retried
 * and false it not.
 *
 */
 
 @Override
 public boolean retry(ITestResult result) {
 
 if(counter < retryLimit)
 {
 counter++;
 return true;
 }
 return false;
 }
}

现在我们有了IRetryAnalyzer的简单实现。从retry方法的实现,可以看出此方法可确保重试失败的测试用例4次。因为我们指定了retryLimit = 4;  

让我们看看如何使用它,有两种方法可以在您的测试中使用RetryAnalyzer

  1. 在@Test的注解中指定retryAnalyzer

  1. 实现Listener接口,在运行时添加RetryAnalyzer

在@Test的注解中指定retryAnalyzer值

我们可以参考如下语法实现

@Test(retryAnalyzer=”IRetryAnalyzer Implementing class”). 以下是实现的代码:

import org.testng.Assert;
import org.testng.annotations.Test;
  
public class Test001 {
  
 @Test(retryAnalyzer = Tests.RetryAnalyzer.class)
 public void Test1()
{
 Assert.assertEquals(false, true);
 }
  
 @Test
 public void Test2()
{
 Assert.assertEquals(false, true);
 }
}

现在我有两条测试用例,Test1使用了retryAnalyzer。如果我执行这个测试类,测试结果如下:

你会看到Test1执行了4次,在最近一次才被标记为失败,因为用了retryAnalyzer。Test2只执行了一次。

运行时指定retryAnalyzer

第二种方法我们要实现ITestAnnotationTransformer接口,ITestAnnotationTransformer是TestNG Listener的一种。该接口定义如下所示:

public class AnnotationTransformer implements IAnnotationTransformer {
  
 @Override
 public void transform(ITestAnnotation annotation, Class testClass, Constructor testConstructor, Method testMethod) {
 // TODO Auto-generated method stub
 }
}

此接口用于在运行时自动向测试方法添加注解。我们通过如下方法设置RetryAnalyzer:

package Tests;
  
import java.lang.reflect.Constructor;
import java.lang.reflect.Method;
  
import org.testng.IAnnotationTransformer;
import org.testng.annotations.ITestAnnotation;
  
public class AnnotationTransformer implements IAnnotationTransformer {
  
 @Override
 public void transform(ITestAnnotation annotation, Class testClass, Constructor testConstructor, Method testMethod) {
 annotation.setRetryAnalyzer(RetryAnalyzer.class);
 }
}

除了实现IAnnotationTransformer之外,我们还要在test suite文件里设置listener:

<suite name="RetryFailedTests" verbose="1" >
 <listeners>
        <listener class-name="Tests.AnnotationTransformer"/>
  </listeners>
  <test name="RetryMulitple">
    <classes>
      <class name="Tests.Test001"/>
    </classes>
  </test>
</suite>

现在我们不必在@Test注解中指定retryAnalyzer属性了。更新后测试代码如下所示:

package Tests;
  
import org.testng.Assert;
import org.testng.annotations.Test;
  
public class Test001 {
  
 @Test
 public void Test1()
{
 Assert.assertEquals(false, true);
 }
  
 @Test
 public void Test2()
{
 Assert.assertEquals(false, true);
 }
}

现在您可以简单地运行下测试用例,Test1和Test2 都分别被执行了4次。

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值