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

Leer de fundamentele en geavanceerde concepten die nodig zijn om efficiënt met PyTorch te werken. Krijg een grondig begrip van tensors, inclusief creatie, bewerkingen en herschikking. Verken de essentie van gradients, backpropagation en lineaire regressie voordat u doorgaat naar het werken met datasets. Beheers de vaardigheden die nodig zijn om neurale netwerken te bouwen, trainen en evalueren.

Verken de basisprincipes van PyTorch, met de nadruk op tensors—de kerngegevensstructuur die wordt gebruikt voor berekeningen. U leert over het aanmaken van tensors, willekeurige initialisatie, wiskundige bewerkingen en vormmanipulatie.

Verken kernconcepten voor het trainen van modellen in PyTorch, waaronder het berekenen van gradiënten en het uitvoeren van meerstaps-backpropagatie. Beheers lineaire regressie als een fundamenteel machine learning-model en maak kennis met het efficiënt verwerken van datasets.

Ontdek hoe u neurale netwerken kunt bouwen, trainen en evalueren met behulp van PyTorch. U leert hoe u een eenvoudig feedforward neuraal netwerk definieert, de parameters optimaliseert via training en de prestaties beoordeelt.

Uitdaging: Tensors Herschikken

Oplossing

Uitdaging: Tensors Herschikken

Oplossing