import unittest
import importlib
import numpy as np


def _dynamic_test(test_case, condition, success_msg, failure_msg):
    if condition:
        test_case._testMethodName = success_msg
        test_case.assertTrue(True, success_msg)
    else:
        test_case._testMethodName = failure_msg
        test_case.fail(failure_msg)


class TestNeuron(unittest.TestCase):

    @classmethod
    def setUpClass(cls):
        # Import user solution
        cls.user_code = importlib.import_module("user_code")

        # Fix random seed for reproducibility
        np.random.seed(10)

        # Prepare input data
        cls.inputs = np.array([0.5, 0.2, -0.8])

        # Create neuron with same deterministic random generator
        cls.user_neuron = cls.user_code.Neuron(3)

        # Compute expected result using user’s weights and bias
        cls.ref_input_sum = np.dot(cls.inputs, cls.user_neuron.weights) + cls.user_neuron.bias
        cls.ref_output = 1 / (1 + np.exp(-cls.ref_input_sum))

        # Run activation
        cls.user_output = cls.user_neuron.activate(cls.inputs)

    def test_weights_shape(self):
        _dynamic_test(
            self,
            self.user_neuron.weights.shape == (3,),
            "Weights shape is correct",
            "Weights shape is incorrect"
        )

    def test_bias_is_scalar(self):
        _dynamic_test(
            self,
            np.isscalar(self.user_neuron.bias),
            "Bias is a scalar",
            "Bias is not a scalar"
        )

    def test_random_initialization_range(self):
        w_in_range = np.all((self.user_neuron.weights >= -1) & (self.user_neuron.weights < 1))
        b_in_range = -1 <= self.user_neuron.bias < 1
        _dynamic_test(
            self,
            w_in_range and b_in_range,
            "Weights and bias are within [-1, 1)",
            "Weights or bias are outside the expected range"
        )

    def test_forward_computation(self):
        _dynamic_test(
            self,
            np.allclose(self.user_output, self.ref_output, atol=1e-6),
            "Forward computation is correct",
            "Forward computation is incorrect"
        )

    def test_output_type(self):
        _dynamic_test(
            self,
            isinstance(self.user_output, (float, np.floating, np.ndarray)),
            "Output type is numeric",
            "Output type is not numeric"
        )

    def test_sigmoid_activation(self):
        _dynamic_test(
            self,
            0 < float(self.user_output) < 1,
            "Sigmoid activation applied correctly",
            "Output not in (0, 1); sigmoid may not be applied"
        )


if __name__ == "__main__":
    unittest.main(argv=["first-arg-is-ignored"], exit=False)

test_code.py

Neuronale Netze sind leistungsfähige Algorithmen, die von der Struktur des menschlichen Gehirns inspiriert sind und zur Lösung komplexer Probleme im Bereich des maschinellen Lernens eingesetzt werden. Sie werden Ihr eigenes neuronales Netz von Grund auf erstellen, um dessen Funktionsweise zu verstehen. Nach diesem Kurs sind Sie in der Lage, neuronale Netze zur Lösung von Klassifikations- und Regressionsaufgaben mit der scikit-learn-Bibliothek zu erstellen.

Zunächst besprechen wir, was ein neuronales Netzwerk ist und wie es funktioniert. Außerdem betrachten wir den Anwendungsbereich.

Als Nächstes werden wir versuchen, ein eigenes neuronales Netzwerk zu erstellen und beobachten, wie effizient es das Lernen bewältigt. Außerdem betrachten wir eine fertige Lösung aus der scikit-learn-Bibliothek.

Abschließend erhalten Sie zusätzliche nützliche Informationen darüber, wie Sie das passende Modell auswählen und welche Arten von neuronalen Netzen existieren. Zum Abschluss des Kurses wird Ihr erworbenes Wissen überprüft.

Herausforderung: Erstellung Eines Neurons

Lösung

Awesome!

Herausforderung: Erstellung Eines Neurons

Lösung