今年9月，Stripe支持开发Hypothesis，一个由davidmaciver创建的Python开源测试库。假设是我们发现的唯一一个为机器学习测试代码提供有效工具的项目，在机器学习领域，测试和正确性是众所周知的困难。与单元测试不同，假设允许您定义函数的某些属性，这些属性对于每个输入都应为真。属性是一个类似"My sorting function should return A sorted list given any input list"的语句。每次测试运行时，假设都试图输入数千个自动生成的示例输入来证明您的属性是错误的。如果您的任何属性中断，假设将返回输入失败的最小可能示例。这是一个假设的例子检验：来自假设输入给定值进口假设。策略作为st@给予(st.列表(整数()))def test_reversing_两次给出相同的表（xs）：#这将生成任意长度的列表（通常在#0和100个元素），其元素是整数。ys=列表（xs）ys.反向()ys.反向()断言xs==ys这种测试风格是机器学习工作流程的完美匹配。我们使用机器学习来制造像雷达这样的产品，它可以帮助数十万条带用户在全球范围内打击欺诈，更有效。当系统可能对用户产生重大影响时，测试机器学习代码尤其重要。每天，我们都在大数据集上训练许多模型，但是单靠单元测试并不能捕获所有可能输入数据的复杂性。在过去的几个月里，我们一直在使用假设来生成输入数据，以便对雷达背后的模型进行测试。在研究假设的同时，我们发现对熊猫和纽比的基于财产的测试的支持并没有建立起来。我们很高兴能够支持该项目在与Python的ML工具箱中集成这两个基本的、常用的库方面取得具体进展。我们计划在Stripe更广泛地使用假设，并希望该项目在未来几个月的发展也能帮助其他公司将机器学习可靠地整合到更多的产品中。在Stripe，我们定期为开源项目做贡献，并依赖开源软件开发我们堆栈的许多不同部分。我们对合适的工具可以为更大的开发人员社区提供巨大的杠杆作用的领域特别感兴趣。如果你在做这样一个项目，我们很乐意听到你的消息！