深度学习测试用例说明¶

本目录包含神经网络和深度学习组件的 pytest 测试用例。

📁 目录结构¶

深度学习/tests/
├── conftest.py            # pytest配置和共享fixtures
├── test_neural_network.py # 神经网络测试
└── README.md              # 本文件

🚀 快速开始¶

安装依赖¶

pip install pytest numpy torch

运行测试¶

# 运行所有测试
pytest -v

# 只运行NumPy实现的测试（不需要PyTorch）
pytest -v -k "not PyTorch"

# 运行PyTorch测试
pytest -v -k "PyTorch"

📊 测试覆盖¶

test_neural_network.py¶

NumPy 实现的神经网络组件¶

层 (Layers) - LinearLayer: 全连接层 - 前向传播 - 反向传播 - 梯度计算

激活函数 (Activation Functions) - ReLU: 修正线性单元 - Sigmoid: S 型函数 - Tanh: 双曲正切 - Softmax: 归一化指数函数

损失函数 (Loss Functions) - MSELoss: 均方误差 - CrossEntropyLoss: 交叉熵

完整网络 - SimpleNeuralNetwork: 简单前馈网络

PyTorch 组件测试¶

层测试 - nn.Linear: 全连接层 - nn.Conv2d: 卷积层 - nn.MaxPool2d: 最大池化层 - nn.BatchNorm2d: 批归一化层

激活函数测试 - nn.ReLU - nn.Sigmoid - nn.Softmax

损失函数测试 - nn.MSELoss - nn.CrossEntropyLoss - nn.BCELoss

训练测试 - XOR 问题训练 - 梯度流验证 - 梯度累积测试

🔧 测试标记¶

# 运行性能测试
pytest -v -m performance

# 跳过需要CUDA的测试
pytest -v -m "not requires_cuda"

📝 实现说明¶

NumPy 实现¶

测试文件中包含从零实现的神经网络组件，适合理解底层原理：

# 全连接层前向传播
output = np.dot(x, self.weights) + self.bias

# ReLU激活
output = np.maximum(0, x)

# Sigmoid激活
output = 1 / (1 + np.exp(-x))

# Softmax激活
exp_x = np.exp(x - np.max(x))
output = exp_x / np.sum(exp_x)

PyTorch 对比¶

NumPy 实现与 PyTorch 结果对比验证正确性。

⚠️ 注意事项¶

1. 部分测试需要 PyTorch
2. 如果未安装 PyTorch ，相关测试会被自动跳过
3. CUDA 测试需要 GPU 支持

作者: AI 学习教程 用途: 验证神经网络组件的正确性