机器学习代码如何写单元测试？

测确定性部分，不断言精度数值

模型训练本身带随机性，直接断言「准确率 > 0.9」既不稳定也不是单元测试该做的事。单元测试应锁定可确定验证的环节。

1. 数据与特征

• 归一化、分桶、缺失值填充等转换：给定输入，断言输出精确等于预期。
• 边界用例：空输入、单样本、含异常值。

2. 形状与数值不变量

• 前向输出形状是否符合 (batch, num_classes)。
• 概率输出范围在 [0,1]、softmax 每行和为 1、无 NaN/Inf。

3. loss 与梯度

• 用已知输入手算 loss 对比；调用一次 backward 后断言关键参数梯度非 0、量级合理。

def test_forward_shape():
    torch.manual_seed(0)
    x = torch.randn(4, 10)
    out = model(x)
    assert out.shape == (4, 3)
    assert torch.allclose(out.softmax(-1).sum(-1), torch.ones(4))

4. Sanity check：让模型在一小批样本上过拟合，loss 应能降到接近 0；降不下去说明管线有 bug。