Initializing weights with **random integers** is not recommended in practice; this approach is used here solely for the purpose of this task.

Note

import unittest
import importlib
import torch


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):

    # -------- manual seed --------
    def test_seed_set(self):
        with open("user_code.py") as f:
            src = f.read()

        cond = "torch.manual_seed" in src

        _dynamic(
            self,
            cond,
            "The manual seed is set correctly.",
            "You must set a manual seed using `torch.manual_seed()` before creating any tensors."
        )

    # -------- weights_layer1 --------
    def test_weights1_exists(self):
        import user_code
        cond = hasattr(user_code, "weights_layer1")
        _dynamic(
            self,
            cond,
            "`weights_layer1` is successfully defined.",
            "`weights_layer1` is missing. Assign your 3x4 uniform-random tensor to this variable."
        )

    def test_weights1_valid(self):
        import user_code
        try:
            t = user_code.weights_layer1
            cond = (
                isinstance(t, torch.Tensor)
                and t.shape == (3, 4)
                and torch.all(t >= 0)
                and torch.all(t < 1)
            )
        except:
            cond = False

        _dynamic(
            self,
            cond,
            "`weights_layer1` is a valid 3x4 tensor with values uniformly sampled from [0, 1).",
            "`weights_layer1` must be created with `torch.rand(3, 4)` so that all values lie between 0 and 1."
        )

    # -------- biases_layer1 --------
    def test_biases1_exists(self):
        import user_code
        cond = hasattr(user_code, "biases_layer1")
        _dynamic(
            self,
            cond,
            "`biases_layer1` is successfully defined.",
            "`biases_layer1` is missing. You must assign a 1x4 zero tensor to this variable."
        )

    def test_biases1_valid(self):
        import user_code
        try:
            t = user_code.biases_layer1
            cond = (
                isinstance(t, torch.Tensor)
                and t.shape == (1, 4)
                and torch.all(t == 0)
            )
        except:
            cond = False

        _dynamic(
            self,
            cond,
            "`biases_layer1` is correctly created as a 1x4 tensor of zeros.",
            "`biases_layer1` must be a 1x4 zero tensor created using `torch.zeros(1, 4)`."
        )

    # -------- weights_layer2 --------
    def test_weights2_exists(self):
        import user_code
        cond = hasattr(user_code, "weights_layer2")
        _dynamic(
            self,
            cond,
            "`weights_layer2` is successfully defined.",
            "`weights_layer2` is missing. Assign a 4x2 integer tensor created with `torch.randint()`."
        )

    def test_weights2_valid(self):
        import user_code
        try:
            t = user_code.weights_layer2
            cond = (
                isinstance(t, torch.Tensor)
                and t.shape == (4, 2)
                and torch.all(t >= -5)
                and torch.all(t <= 5)
                and torch.equal(t, t.int())
            )
        except:
            cond = False

        _dynamic(
            self,
            cond,
            "`weights_layer2` is a valid 4x2 integer tensor with values in the range [-5, 5].",
            "`weights_layer2` must be created using `torch.randint(-5, 5, (4, 2))` to generate integer weights in the specified range."
        )

    # -------- printing output --------
    def test_printed_output(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 as required.",
            "No output detected. Ensure that you print all three tensors exactly as instructed."
        )


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.

Challenge: Initializing Model Weights and Biases

Lösung