import unittest
import torch
import importlib
import sys
import io


def _dynamic(test, cond, ok, fail):
    if cond:
        test._testMethodName = ok
        test.assertTrue(True)
    else:
        test._testMethodName = fail
        test.fail(fail)


class TestUserCode(unittest.TestCase):

    def setUp(self):
        # Reference tensor with known shape 3x4
        self.original_shape = (3, 4)

    # -------- Existence tests --------
    def test_reshaped_exists(self):
        import user_code
        cond = hasattr(user_code, "reshaped_tensor")
        _dynamic(
            self,
            cond,
            "`reshaped_tensor` variable is defined.",
            "`reshaped_tensor` is missing. Reshape the tensor using `tensor.reshape(2, 6)`."
        )

    def test_view_exists(self):
        import user_code
        cond = hasattr(user_code, "view_tensor")
        _dynamic(
            self,
            cond,
            "`view_tensor` variable is defined.",
            "`view_tensor` is missing. Create it using `.view(4, 3)`."
        )

    def test_unsqueezed_exists(self):
        import user_code
        cond = hasattr(user_code, "unsqueezed_tensor")
        _dynamic(
            self,
            cond,
            "`unsqueezed_tensor` variable is defined.",
            "`unsqueezed_tensor` is missing. Add a dimension using `.unsqueeze(2)`."
        )

    def test_squeezed_exists(self):
        import user_code
        cond = hasattr(user_code, "squeezed_tensor")
        _dynamic(
            self,
            cond,
            "`squeezed_tensor` variable is defined.",
            "`squeezed_tensor` is missing. Remove the added dimension using `.squeeze(2)`."
        )

    # -------- Correctness tests --------
    def test_reshaped_correct(self):
        import user_code
        t = user_code.tensor
        reshaped = user_code.reshaped_tensor

        cond = isinstance(reshaped, torch.Tensor) and reshaped.shape == (2, 6)
        _dynamic(
            self,
            cond,
            "`reshaped_tensor` has the correct shape (2x6).",
            "`reshaped_tensor` must have shape (2, 6). Use `tensor.reshape(2, 6)`."
        )

    def test_view_correct(self):
        import user_code
        view = user_code.view_tensor

        cond = isinstance(view, torch.Tensor) and view.shape == (4, 3)
        _dynamic(
            self,
            cond,
            "`view_tensor` has the correct shape (4x3).",
            "`view_tensor` must be created using `.view(4, 3)`."
        )

    def test_unsqueezed_correct(self):
        import user_code
        unsq = user_code.unsqueezed_tensor

        cond = isinstance(unsq, torch.Tensor) and unsq.shape == (2, 6, 1)
        _dynamic(
            self,
            cond,
            "`unsqueezed_tensor` correctly adds a new dimension at index 2.",
            "`unsqueezed_tensor` must use `.unsqueeze(2)` and have shape (2, 6, 1)."
        )

    def test_squeezed_correct(self):
        import user_code
        sq = user_code.squeezed_tensor

        cond = isinstance(sq, torch.Tensor) and sq.shape == (2, 6)
        _dynamic(
            self,
            cond,
            "`squeezed_tensor` correctly removes the added dimension.",
            "`squeezed_tensor` must use `.squeeze(2)` and return to shape (2, 6)."
        )

    # -------- Print test --------
    def test_prints_output(self):
        import user_code
        buf = io.StringIO()
        sys.stdout = buf

        importlib.reload(user_code)

        sys.stdout = sys.__stdout__
        cond = len(buf.getvalue().strip()) > 0

        _dynamic(
            self,
            cond,
            "Tensor shapes and values are printed successfully.",
            "No output detected. Make sure all required tensors are printed."
        )


if __name__ == "__main__":
    unittest.main()


test_code.py

Erlernen Sie die grundlegenden und fortgeschrittenen Konzepte, die für eine effiziente Arbeit mit PyTorch erforderlich sind. Erhalten Sie ein fundiertes Verständnis von Tensoren, einschließlich deren Erstellung, Operationen und Umformung. Erkunden Sie die Grundlagen von Gradienten, Backpropagation und linearer Regression, bevor Sie sich mit der Handhabung von Datensätzen beschäftigen. Beherrschen Sie die Fähigkeiten, die zum Erstellen, Trainieren und Bewerten neuronaler Netzwerke notwendig sind.

Erkunden der Grundlagen von PyTorch mit Schwerpunkt auf Tensors – der zentralen Datenstruktur für Berechnungen. Vermittlung von Tensor-Erstellung, zufälliger Initialisierung, mathematischen Operationen und Formmanipulation.

Erkunden zentraler Konzepte für das Trainieren von Modellen in PyTorch, einschließlich der Berechnung von Gradienten und der Durchführung mehrstufiger Backpropagation. Vertiefung der linearen Regression als grundlegendes Machine-Learning-Modell sowie Einführung in die effiziente Handhabung von Datensätzen.

Erfahren Sie, wie neuronale Netzwerke mit PyTorch erstellt, trainiert und bewertet werden. Sie lernen, wie ein einfaches Feedforward-Neuronales Netzwerk definiert, seine Parameter durch Training optimiert und seine Leistung bewertet wird.

Herausforderung: Umformen von Tensoren

Lösung

Herausforderung: Umformen von Tensoren

Lösung