import unittest
import importlib
import torch
import numpy as np


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):

    # --- tensor_1: zeros 2x3 ---
    def test_tensor1_exists(self):
        import user_code
        cond = hasattr(user_code, "tensor_1")
        _dynamic(
            self,
            cond,
            "`tensor_1` is successfully defined.",
            "`tensor_1` is missing. Make sure to assign your 2x3 zero tensor to `tensor_1`."
        )

    def test_tensor1_is_tensor(self):
        import user_code
        cond = isinstance(user_code.tensor_1, torch.Tensor)
        _dynamic(
            self,
            cond,
            "`tensor_1` is correctly created as a PyTorch tensor.",
            "`tensor_1` must be a PyTorch tensor created with `torch.zeros()`."
        )

    def test_tensor1_shape_and_values(self):
        import user_code
        t = user_code.tensor_1
        cond = t.shape == (2, 3) and torch.all(t == 0)
        _dynamic(
            self,
            cond,
            "`tensor_1` has the correct shape (2x3) and is filled with zeros.",
            "`tensor_1` is incorrect. It must be a 2x3 tensor of zeros created using `torch.zeros(2, 3)`."
        )

    # --- tensor_2: arange 1..10 ---
    def test_tensor2_exists(self):
        import user_code
        cond = hasattr(user_code, "tensor_2")
        _dynamic(
            self,
            cond,
            "`tensor_2` is successfully defined.",
            "`tensor_2` is missing. Assign the tensor created with `torch.arange(1, 11)` to `tensor_2`."
        )

    def test_tensor2_values(self):
        import user_code
        t = user_code.tensor_2
        try:
            expected = torch.arange(1, 11)
            cond = isinstance(t, torch.Tensor) and torch.equal(t, expected)
        except:
            cond = False

        _dynamic(
            self,
            cond,
            "`tensor_2` correctly contains values from 1 to 10.",
            "`tensor_2` must be created using `torch.arange(1, 11)` to generate values from 1 to 10 inclusive."
        )

    # --- tensor_3: linspace 2..4, steps=10 ---
    def test_tensor3_exists(self):
        import user_code
        cond = hasattr(user_code, "tensor_3")
        _dynamic(
            self,
            cond,
            "`tensor_3` is successfully defined.",
            "`tensor_3` is missing. Assign the tensor created with `torch.linspace(2, 4, steps=10)` to `tensor_3`."
        )

    def test_tensor3_values(self):
        import user_code
        t = user_code.tensor_3
        try:
            expected = torch.linspace(2, 4, steps=10)
            cond = isinstance(t, torch.Tensor) and torch.allclose(t, expected)
        except:
            cond = False

        _dynamic(
            self,
            cond,
            "`tensor_3` correctly contains 10 evenly spaced values between 2 and 4.",
            "`tensor_3` must be created using `torch.linspace(2, 4, steps=10)` to generate the required values."
        )

    # --- Ensure something was printed ---
    def test_output_printed(self):
        import user_code

        import io, sys
        buf = io.StringIO()
        sys.stdout = buf

        importlib.reload(user_code)
        sys.stdout = sys.__stdout__

        cond = len(buf.getvalue().strip()) > 0

        _dynamic(
            self,
            cond,
            "All tensors are printed successfully.",
            "No output detected. Ensure that you print all three tensors as required."
        )


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: Initialisierung von Tensoren

Lösung

Herausforderung: Initialisierung von Tensoren

Lösung