import unittest
import torch
import importlib
import io
import sys


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 for comparison
        self.tensor = torch.tensor([[3, 7, 1],
                                    [2, 5, 9],
                                    [8, 6, 4]], dtype=torch.float32)

    # --- Variable existence ---
    def test_row_sum_exists(self):
        import user_code
        cond = hasattr(user_code, "row_sum")
        _dynamic(
            self,
            cond,
            "`row_sum` variable is defined.",
            "`row_sum` is missing. Compute it using `tensor.sum(dim=1, keepdim=True)`."
        )

    def test_column_mean_exists(self):
        import user_code
        cond = hasattr(user_code, "column_mean")
        _dynamic(
            self,
            cond,
            "`column_mean` variable is defined.",
            "`column_mean` is missing. Compute it using `tensor.mean(dim=0)`."
        )

    def test_row_max_exists(self):
        import user_code
        cond = hasattr(user_code, "row_max")
        _dynamic(
            self,
            cond,
            "`row_max` variable is defined.",
            "`row_max` is missing. Compute it using `tensor.max(dim=1)[0]`."
        )

    def test_normalized_exists(self):
        import user_code
        cond = hasattr(user_code, "normalized_tensor")
        _dynamic(
            self,
            cond,
            "`normalized_tensor` variable is defined.",
            "`normalized_tensor` is missing. Normalize using `tensor / tensor.sum()`."
        )

    # --- Correct calculations ---
    def test_row_sum_correct(self):
        import user_code
        expected = self.tensor.sum(dim=1, keepdim=True)
        cond = torch.allclose(user_code.row_sum, expected)
        _dynamic(
            self,
            cond,
            "`row_sum` is computed correctly.",
            "`row_sum` is incorrect. Use `tensor.sum(dim=1, keepdim=True)`."
        )

    def test_column_mean_correct(self):
        import user_code
        expected = self.tensor.mean(dim=0)
        cond = torch.allclose(user_code.column_mean, expected)
        _dynamic(
            self,
            cond,
            "`column_mean` is computed correctly.",
            "`column_mean` is incorrect. Use `tensor.mean(dim=0)`."
        )

    def test_row_max_correct(self):
        import user_code
        expected = self.tensor.max(dim=1)[0]
        cond = torch.allclose(user_code.row_max, expected)
        _dynamic(
            self,
            cond,
            "`row_max` is computed correctly.",
            "`row_max` is incorrect. Use `tensor.max(dim=1)[0]`."
        )

    def test_normalized_tensor_correct(self):
        import user_code
        expected = self.tensor / self.tensor.sum()
        cond = torch.allclose(user_code.normalized_tensor, expected)
        _dynamic(
            self,
            cond,
            "`normalized_tensor` is computed correctly.",
            "`normalized_tensor` is incorrect. Normalize using `tensor / tensor.sum()`."
        )

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

        buffer = io.StringIO()
        sys.stdout = buffer
        importlib.reload(user_code)
        sys.stdout = sys.__stdout__

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

        _dynamic(
            self,
            cond,
            "Output is successfully printed.",
            "No output detected. Make sure to print all required values."
        )


if __name__ == "__main__":
    unittest.main()


test_code.py

Вивчіть фундаментальні та поглиблені концепції, необхідні для ефективної роботи з PyTorch. Отримайте ґрунтовне розуміння тензорів, включаючи їх створення, операції та зміни форми. Ознайомтеся з основами градієнтів, зворотного поширення помилки та лінійної регресії перед переходом до роботи з наборами даних. Оволодійте навичками, необхідними для побудови, навчання та оцінювання нейронних мереж.

Ознайомлення з основами PyTorch із акцентом на тензорах — основній структурі даних для обчислень. Розгляд створення тензорів, випадкової ініціалізації, математичних операцій і маніпуляцій із формою.

Ознайомлення з основними концепціями тренування моделей у PyTorch, включаючи обчислення градієнтів і виконання багатокрокового зворотного поширення. Засвоєння лінійної регресії як базової моделі машинного навчання та ознайомлення з ефективною обробкою наборів даних.

Дізнайтеся, як створювати, навчати та оцінювати нейронні мережі за допомогою PyTorch. Ви ознайомитеся з визначенням простої прямої нейронної мережі, оптимізацією її параметрів під час навчання та оцінкою її ефективності.

Завдання: Виконання Математичних Операцій

Рішення