扩展unittest.testcase，使断言支持pytorch张量和参数。
torchtestcase的Python项目详细描述
torch测试用例
==
这主要是因为pytorch张量在默认情况下是按元素比较的，这就是为什么类[`unittest.TestCase`]（https://docs.python.org/3/library/unittest.htmlunittest.TestCase）提供的断言不能直接工作的原因。
一种可能的解决方法是使用
[`TestCase.assertTrue`]（https://docs.python.org/3/library/unittest.htmlunittest.TestCase.assertTrue）来处理我们需要的任何断言
但这通常会导致难以读取和维护的复杂代码。
torchtestcase模块定义了类torchtestcase，扩展了unittest.testcase，使得许多断言支持各种pytorch类的实例。
**更新**：
-2018.1版已经发布，现在支持PyTorch 0.4。
-2018.2版已经发布并介绍张量相等断言允许偏差的规范。
由支持pytorch的“torchtestcase”类提供。
如果您不熟悉包“unittest”，请先阅读它
[此处]（https://docs.python.org/3/library/unittest.html）。
**注意**：
随着pytorch 0.4.0的发布，张量和变量已经合并，这意味着“Variable”和其他任何张量一样被处理，因此不再需要使用类“torch.autograd.Variable”。
因此，在“torchtestcase”的2018.1版本中，已经删除了对“Variable”的断言等式断言
（`assertequal`，`assertnotequal`）
等式断言支持任何类型的pytorch张量的对象以及`torch.nn.parameter`
和`torch.nn.utils.rnn.packedsequence`的实例。
但是，请注意，如果比较的对象是不同类型的实例，则会引发“assertionerror”：
``python
self.assertequal（torch.zeros（4），nn.parameter（torch.zeros（4）））->；assertionerror
```
例如，如果我们预测到数值上的不稳定性，
对于任何这种情况，`torchtestcase`提供了指定某个公差的可能性：
``python
self.eps=0.001指定相等断言的公差
self.assertequal（torch.zeros（3），0.001*torch.one（3））#->；没有断言错误
self.assertEqual（torch.zeros（3），0.0011*torch.one（3））#->；断言错误
```
请注意，仅**两个张量**之间的**相等断言**考虑了指定的公差
2顺序断言
（`assertgreater`，`assertgreateratequal`，`assertless`，`assertlessequal`）
一般来说，如果顺序断言按元素顺序保存，则假定它们已实现。
例如：
``pyhton
x=torch.floattensor（[0，0，1]）
y=torch.floattensor（[1，1，1]）
self.assertlessequal（x，y）>；没有assertonerror
self.assertless（x，y）->；assertonerror
```
此外，还可以将张量或“参数”与数字进行比较，在这种情况下，将所考虑的
数据张量的每个元素与相同的元素进行比较。
例如，如果我们要确保张量的每个元素都位于单位间隔内，然后我们可以使用以下断言：
`` python
self.assertGreaterEqual（一些张量，0）
self.assertleSequal（一些张量，1）
````
当我们进行顺序断言时，我们通常不关心涉及的对象的实际类型。
因此可以将不同类型的张量相互比较，也可以与“Parameter”比较：
``python
self.assertLess（torch.zeros（3），nn.Parameter（torch.one（3））））#->；no assertonerror
```
==
这主要是因为pytorch张量在默认情况下是按元素比较的，这就是为什么类[`unittest.TestCase`]（https://docs.python.org/3/library/unittest.htmlunittest.TestCase）提供的断言不能直接工作的原因。
一种可能的解决方法是使用
[`TestCase.assertTrue`]（https://docs.python.org/3/library/unittest.htmlunittest.TestCase.assertTrue）来处理我们需要的任何断言
但这通常会导致难以读取和维护的复杂代码。
torchtestcase模块定义了类torchtestcase，扩展了unittest.testcase，使得许多断言支持各种pytorch类的实例。
**更新**：
-2018.1版已经发布，现在支持PyTorch 0.4。
-2018.2版已经发布并介绍张量相等断言允许偏差的规范。
由支持pytorch的“torchtestcase”类提供。
如果您不熟悉包“unittest”，请先阅读它
[此处]（https://docs.python.org/3/library/unittest.html）。
**注意**：
随着pytorch 0.4.0的发布，张量和变量已经合并，这意味着“Variable”和其他任何张量一样被处理，因此不再需要使用类“torch.autograd.Variable”。
因此，在“torchtestcase”的2018.1版本中，已经删除了对“Variable”的断言等式断言
（`assertequal`，`assertnotequal`）
等式断言支持任何类型的pytorch张量的对象以及`torch.nn.parameter`
和`torch.nn.utils.rnn.packedsequence`的实例。
但是，请注意，如果比较的对象是不同类型的实例，则会引发“assertionerror”：
``python
self.assertequal（torch.zeros（4），nn.parameter（torch.zeros（4）））->；assertionerror
```
例如，如果我们预测到数值上的不稳定性，
对于任何这种情况，`torchtestcase`提供了指定某个公差的可能性：
``python
self.eps=0.001指定相等断言的公差
self.assertequal（torch.zeros（3），0.001*torch.one（3））#->；没有断言错误
self.assertEqual（torch.zeros（3），0.0011*torch.one（3））#->；断言错误
```
请注意，仅**两个张量**之间的**相等断言**考虑了指定的公差
2顺序断言
（`assertgreater`，`assertgreateratequal`，`assertless`，`assertlessequal`）
一般来说，如果顺序断言按元素顺序保存，则假定它们已实现。
例如：
``pyhton
x=torch.floattensor（[0，0，1]）
y=torch.floattensor（[1，1，1]）
self.assertlessequal（x，y）>；没有assertonerror
self.assertless（x，y）->；assertonerror
```
此外，还可以将张量或“参数”与数字进行比较，在这种情况下，将所考虑的
数据张量的每个元素与相同的元素进行比较。
例如，如果我们要确保张量的每个元素都位于单位间隔内，然后我们可以使用以下断言：
`` python
self.assertGreaterEqual（一些张量，0）
self.assertleSequal（一些张量，1）
````
当我们进行顺序断言时，我们通常不关心涉及的对象的实际类型。
因此可以将不同类型的张量相互比较，也可以与“Parameter”比较：
``python
self.assertLess（torch.zeros（3），nn.Parameter（torch.one（3））））#->；no assertonerror
```
欢迎加入QQ群-->： 979659372
