AI自動化測試：技術原理、平臺搭建與工程實踐( 簡體 字) | |
| 作者：騰訊TuringLab團隊 著 | 類別：1. -> 程式設計 -> 人工智慧 |
| 出版社：機械工業出版社 |  3dWoo書號： 52943詢問書籍請說出此書號！ 有庫存 NT售價： 445 元 |
| 出版日：6/1/2020 | |
| 頁數： | |
| 光碟數：0 | |
站長推薦：   | |
| 印刷：全彩印刷 | 語系： ( 簡體 字 ) |
| ISBN：9787111654919 | 加入購物車 │加到我的最愛 (請先登入會員) |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證, 繁體書的下載亦請直接連絡出版社) | |
前言
作者簡介 第一部分 原理篇 第1章 AI與自動化測試2 1.1 自動化測試的發展與現狀2 1.2 AI的發展與應用4 1.3 AI與自動化測試相結合6 1.4 本章小結6 第2章 圖像識別算法7 2.1 圖像識別7 2.2 傳統的圖像識別算法9 2.2.1 模板匹配算法9 2.2.2 特征點匹配算法11 2.2.3 梯度特征匹配算法13 2.3 基于深度學習的圖像識別算法15 2.3.1 卷積神經網絡15 2.3.2 卷積神經網絡模型16 2.4 圖像識別方法在游戲測試中的應用22 2.4.1 特征點匹配在場景覆蓋性測試上的應用22 2.4.2 游戲場景圖像的物體識別25 2.5 本章小結26 第3章 強化學習27 3.1 基本理論27 3.2 基于值函數的強化學習30 3.2.1 值函數30 3.2.2 DQN31 3.3 基于策略梯度的強化學習32 3.3.1 策略梯度33 3.3.2 Actor-Critic33 3.3.3 DDPG35 3.3.4 A3C37 3.4 強化學習在自動化測試中的應用38 3.5 本章小結40 第4章 模仿學習41 4.1 什么是模仿學習41 4.2 模仿學習研究現狀42 4.2.1 行為克隆42 4.2.2 逆強化學習43 4.3 模仿學習在自動化測試中的運用45 4.4 本章小結50 第5章 Android設備調試52 5.1 Android調試橋52 5.1.1 adb常用命令介紹53 5.1.2 ADB原理56 5.2 Android實時截屏57 5.2.1 minicap介紹57 5.2.2 minicap使用58 5.3 Android模擬器60 5.3.1 Android Emulator介紹60 5.3.2 其他模擬器介紹65 5.4 本章小結65 第二部分 平臺篇 第6章 AI SDK平臺介紹68 6.1 Game AI SDK平臺功能69 6.2 Game AI SDK平臺架構設計71 6.3 Game AI SDK平臺流程72 6.3.1 AI算法流程72 6.3.2 圖像識別任務流程73 6.4 Game AI SDK平臺模塊結構74 6.4.1 圖像識別模塊74 6.4.2 AI算法模塊76 6.5 本章小結77 第7章 AI SDK自動化測試平臺搭建78 7.1 Windows環境搭建78 7.1.1 創建虛擬環境78 7.1.2 安裝AI SDK79 7.1.3 安裝SDK Tool79 7.1.4 安裝AI Client80 7.2 Linux環境搭建81 7.3 如何運行AI SDK85 7.3.1 安裝APK85 7.3.2 游戲配置說明86 7.3.3 啟動服務93 7.4 本章小結95 第8章 AI SDK Tool詳解96 8.1 配置項目96 8.1.1 安裝97 8.1.2 配置項目98 8.2 標注GameReg任務101 8.3 標注UIRecognize任務106 8.4 調試108 8.4.1 AI SDK Tool和GameReg之間的調試108 8.4.2 AI SDK Tool和UIRecognize之間的調試109 8.5 AI SDK Tool的其他功能111 8.5.1 添加動作配置111 8.5.2 添加地圖路線112 8.5.3 圖結構路徑配置113 8.6 本章小結115 第9章 圖像類接入Game AI SDK平臺116 9.1 通過SDK Tool生成平臺所需數據117 9.1.1 生成UI配置文件117 9.1.2 生成模仿學習樣本120 9.2 基于圖像的AI方案125 9.2.1 基于小地圖的特征提取126 9.2.2 樣本擴充126 9.2.3 模型和訓練126 9.3 使用Game AI SDK平臺進行AI自動化測試——手機兼容性測試128 9.4 使用Game AI SDK平臺進行AI自動化測試——場景測試131 9.5 使用Game AI SDK平臺進行AI自動化測試—花屏類測試131 9.6 本章小結134 第10章 數據類手游接入GameAI SDK平臺135 10.1 Game AI SDK接入方案136 10.1.1 集成GAutomator實現游戲接口136 10.1.2 通過游戲接口獲取AI輸入數據138 10.1.3 通過動作接口執行AI動作139 10.2 基于數據的AI方案介紹140 10.2.1 算法描述141 10.2.2 實現功能142 10.3 使用Game AI SDK平臺進行AI自動化測試——跑圖覆蓋測試143 10.4 使用Game AI SDK平臺進行AI自動化測試——手機性能測試145 10.5 使用Game AI SDK平臺進行AI自動化測試——地圖平衡性測試146 10.5.1 游戲AI的課程學習方式147 10.5.2 游戲AI的深度強化學習訓練架構147 10.5.3 深度強化學習的神經網絡模型設計147 10.6 本章小結148 第11章 AI SDK平臺二次開發150 11.1 AI SDK平臺二次開發介紹150 11.1.1 AI SDK二次開發框架151 11.1.2 AI SDK二次開發API154 11.2 基于規則的AI設計和開發159 11.2.1 基于規則的AI介紹159 11.2.2 基于規則的AI實踐159 11.3 基于模仿學習的AI設計和開發168 11.3.1 基于模仿學習的AI介紹168 11.3.2 基于模仿學習的AI實踐169 11.4 基于強化學習的AI設計和開發175 11.4.1 基于強化學習的AI介紹175 11.4.2 基于強化學習的AI實踐176 11.5 本章小結185 第三部分 最佳實踐篇 第12章 手機游戲兼容性測試188 12.1 基于圖像的兼容性測試188 12.2 基于UI動作傳遞的兼容性測試193 12.3 基于UI自動探索的兼容性測試197 12.4 本章小結200 第13章 自動化Bug檢測201 13.1 貼圖丟失201 13.2 角色穿墻203 13.3 碰撞穿模207 13.4 本章小結210 第14章 自動機器學習211 14.1 自動機器學習概述211 14.2 參數搜索策略212 14.3 NNI安裝和使用213 14.4 本章小結219 這是一部講解如何將AI技術創造性地應用到自動化測試領域的前沿性著作。由騰訊互動娛樂事業群TuringLab實驗室撰寫，從技術原理、平臺構建、工程實踐3個維度全面講解AI技術在中的應用，融合了團隊先進的理論研究成果和豐富的工程實踐經驗。
全書一共14章，分為三個部分： 第一部分 技術原理（第1-5章） 首先，從宏觀角度介紹了自動化測試和AI技術的發展，以及二者的相互結合；然后，講解了圖像識別算法、強化學習、模仿學習等用于自動化測試的AI技術的原理；最后，介紹了Android設備的調試原理和技術。 第二部分 平臺搭建（第6-11章） 以TuringLab實驗室開源的Game AI SDK為例，不僅講解了AI自動化測試平臺的架構設計、開發流程、環境搭建和二次開發等內容，而且還講解了AI SDK Tool工具的使用，以及如何以圖像類方式和數據類方式接入Game AI SDK。 第三部分 工程實踐（第12-14章） 主要講了TuringLab團隊在游戲AI自動化測試領域的最佳實踐，包括手機游戲兼容性測試、自動化Bug檢測、自動機器學習等內容。 提供大量簡潔的代碼實例，助你零基礎實現AI自動化測試。 掃碼關注“華章計算機”官方微信，回復“”獲取配套資源 從計算機科學誕生開始，其主要目標一是計算（用計算機對大量數據進行處理），二是自動化（用計算機代替機械重復的人工勞動）。在半個多世紀后的今天，我們驚訝地發現，引導計算機科學發展的仍然是這兩個范疇：大數據和人工智能（AI）。而自動化測試，是人工智能領域下的一個應用方向，和無人駕駛、機器人等一樣，都是AI技術的應用場景。
在過去很長一段時間，自動化測試都局限于傳統的測試腳本驅動。無論是游戲開發人員使用的Lua接口，還是類似Xcode的UI Test，抑或是通過ADB/minicap對Android設備進行簡單操控的Python Script，其本質都是人為定義規則的自動化操作模擬。傳統方式盡管工作量大，但實現門檻較低，容易上手，容易調試，也容易修改，在很長一段時間里都是自動化測試的主流方案。相關主流方案的差異通常也只限于自動化腳本接口或規則定義形式的不同。然而，這種人工定義規則的方案都存在一些很明顯的問題。 版本迭代頻繁。每次版本變化往往需要重新修改、調整腳本。 對于較為復雜或具有一定隨機性（例如游戲對局）的場景，難以通過簡單的腳本調整對其提供支持。實際上，對于隨機性極強的游戲產品，通常不會對游戲對局過程進行太多測試。 大部分測試腳本需要產品本身提供對應的操作接口，用于獲取游戲內部數據。而這種專用測試接口通常不會在正式發布版本中提供，因此對于真正上線的產品，難以用自動化腳本進行測試，只能靠人工測試。這一點可以說是導致自動化測試工具至今無法大規模商業化、產品化的核心原因。 以上幾點是困擾測試開發工程師多年的難題。隨著AI技術的發展，尤其是在2015年和2016年Google DeepMind發表多篇游戲自動控制的論文，以及AlphaGo在棋類游戲上有了戰勝人類的先例之后，我們開始思考如何利用最新AI技術解決上述問題，并將其融入自動化測試工具中。從2017年到今天，通過多個產品的實驗和騰訊內部多個部門的協作，我們成功地開發出一套基于深度學習的自動化AI測試框架，并應用在多款世界知名游戲產品的日常測試上。本書便是在這套測試框架的基礎上，分三大部分詳細講述了針對自動化的相關AI技術基礎、AI自動化測試框架的實現機制，以及實際案例中的AI自動化開發應用。 目前，基于AI的自動化測試，業界尚無先例可循。我們希望本書的推出，能夠給業界同行提供技術上的參考與幫助，讓AI技術為更多的團隊和公司在自動化測試上發揮更大的作用。 本書主要內容 本書分為三部分。第一部分是原理篇，重點介紹圖像識別和增強學習相關的AI算法原理，為后續學習具體工具的落地應用打下基礎。第二部分是平臺篇，詳細介紹了騰訊游戲AI自動化開發工具的設計與實現，包括和Android設備的對接、數據標注流程及AI算法在游戲自動化中的具體實現等。第三部分是最佳實踐篇，詳細介紹了不同需求場景下的實踐案例。讀者可以在實際游戲產品的測試中使用本書所介紹的工具實現不同需求，并可嘗試在此基礎上實現定制化功能。 本書讀者對象 本書主要面向自動化測試工具開發人員、AI應用開發人員，也適合圖像識別或強化學習方向的研究人員對實際游戲AI落地方案做深入了解。 本書特色 自動化測試技術多種多樣，將當前流行的AI技術作為一種新的自動化測試方法，并非圖一時新鮮來博大眾的眼球。適當的方法應用在適當的場景，會極大地提高生產效率，節省企業的人力成本。從目前騰訊公司的AI自動化測試實踐來看，多分辨率手機的相關測試如兼容性、性能、回歸等節省的成本是最明顯且有效的。并且，我們的測試平臺是免費開源的，如果用戶覺得已有的算法或者功能不能滿足測試需求，可以自己開發一些更適合自己業務的功能與算法。 騰訊互動娛樂事業群TuringLab實驗室，由美國歸國技術專家領頭組建，成員有圖像識別處理、機器學習領域的多名博士，以及多位在工程方面專注技術開發10余年的專家。目前，開發出的AI自動化測試平臺已經成功接入騰訊公司幾十款正式運營的商業游戲，并同時服務于WEST產品、即通手Q產品，以及各游戲工作室的多個產品。 AI自動化測試平臺作為一個免費開源項目，提供詳細的用戶使用手冊。用戶可以通過較低的學習成本搭建運行環境。同時，對于想要進行二次開發的用戶，提供詳細的API說明文檔，方便用戶學習與參考。 寫作分工 張力柯編寫前言，全書統稿。 周大軍編寫第1章、第6章。 黃超編寫第4章、第12章。 李旭冬編寫第3章、第13章、第14章。 申俊峰編寫第11章。 王潔梅編寫第2章、第7章、第8章。 楊夏編寫第5章、第9章、第10章。 資源和勘誤 由于作者水平有限，加之編寫時間倉促，書中難免會出現一些錯誤，懇請讀者批評指正。為了更好地與讀者交流，TuringLab創建了一個微信公眾號—Turing Lab，該公眾號推送最新的研究成果與研究方向分析文檔。 致謝 感謝機械工業出版社華章公司所給予的支持。感謝策劃編輯楊福川先生耐心地給予修改建議，幫助我們精煉核心概念，并引導完成了本書的框架構建。感謝荊彥青先生對本書出版的大力支持。同時，感謝所有對書稿提供反饋意見的審稿人。 | |
