通过AI技术克服自动化测试难点（下）
前面的文章里我们对可以应用到测试中的AI技术做了整体介绍，详细介绍了OpenCV技术、OCR技术和神经网络，本文我们继续为大家介绍卷积神经网络、数据集以及AI技术在其他方面和测试相关的创新。
卷积神经网络整体上的原理是这样的，首先在底层特征具有局部特性，因此可以利用卷积窗口进行特征提取。图像中不同区域的底层特征（如边界）具有相似性，可以共享一组滤波器。用卷积代替全连接进行特征提取，对底层特征组合得到更具语义信息的高层特征，最后形成深度卷积的神经网络。
深度神经网络发展是向着网络结构的不断优化和网络深度的增加的方向发展的。现在在图像识别里面用到非常广泛的ResNet技术已经将神经网络的层次增加到非常高，超过100层的神经网络都可以去实现。
数据集，有大量的数据集可以供我们机器学习的模型的训练，比如说像最有名的ImageNet，Google李飞飞教授团队研发的一个数据集，通过这种开放的数据集可以帮我们去更好地训练机器学习的模型。现在非常多的行业里面或者一些创业公司里面，都有很好的这种行业性的数据集。
AI技术在其他方面和测试相关的创新主要有以下几个方面：
AI编译器-测试代码生成
首先是AI编译器，AI编译器对测试代码的生成带来了非常大的帮助。
比如像NNVM编译器，是现在非常流行的一种开放式深度学习编译器，它可以将前端框架工作负载直接编译到硬件后端。由此带来的好处就是我可以将深度学习的工作负载进行一个优化。同时另一方面，我们通过这种计算图处理的优化，去减少整个资源的消耗，像内存利用率的消耗等。同时它还提出从前端深度学习框架到裸机硬件的端到端编译管道，通过这样的技术能够帮助我们在基于AI的测试代码的生成效率提升及资源利用率的优化。
AI语音识别-语音输入处理
语音识别的应用越来越多，相应的算法也越来越成熟，识别的精准度也越来越高。这也是我们处理AI语音相关的应用的时候可以去使用的技术。
以上就是相关的AI技术跟测试的结合，下面的文章中我们将继续介绍怎样去设计AI自动化测试的技术架构。
（本系列文章根据《优品软件培育计划》公益直播内容整理，观看直播回放可以私信我，获取免费观看链接。）