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

Neuroverkot ovat tehokkaita algoritmeja, jotka on inspiroitu ihmisaivojen rakenteesta ja joita käytetään ratkaisemaan monimutkaisia koneoppimisen ongelmia. Rakennat oman neuroverkkosi alusta alkaen ymmärtääksesi sen toimintaa. Tämän kurssin jälkeen pystyt luomaan neuroverkkoja luokittelu- ja regressio-ongelmien ratkaisemiseksi scikit-learn-kirjaston avulla.

Ensiksi käsittelemme, mitä neuroverkko on ja miten se toimii. Tarkastelemme myös sen sovellusalueita.

Seuraavaksi rakennamme oman neuroverkon ja tarkastelemme, kuinka tehokkaasti se oppii. Lisäksi käsittelemme valmista ratkaisua scikit-learn-kirjastosta.

Lopuksi annamme sinulle lisätietoa siitä, miten valita sopiva malli ja millaisia neuroverkkoja on olemassa. Kurssin suorittamiseksi osaamisesi testataan.

Haaste: Neuronin Luominen

Ratkaisu

Awesome!

Haaste: Neuronin Luominen

Ratkaisu