module ‘d2l.torch‘ has no attribute ‘train_ch3 ‘解决方法
新版本的d2l(1.0.3版本)包中没有train_ch3函数的封装,李沐老师上课用的是0.17.5版本,因此可以将新版本卸载,然后下载旧的版本。打开文件路径后找到d2l的文件夹,再打开torch的文件,可以用记事本或者pycharm打开。但是在安装旧版本时我遇到了问题,于是寻求新的解决办法。可以自己在d2l包中加入相关train_ch3函数的定义。首先,找到d2l包的文件路径,通过win+R后输
·
新版本的d2l(1.0.3版本)包中没有train_ch3函数的封装,李沐老师上课用的是0.17.5版本,因此可以将新版本卸载,然后下载旧的版本。
卸载d2l:
pip uninstall d2l
安装d2l旧版本:
pip install d2l==0.17.5 --user
但是在安装旧版本时我遇到了问题,于是寻求新的解决办法。可以自己在d2l包中加入相关train_ch3函数的定义。
首先,找到d2l包的文件路径,通过win+R后输入cmd,输入pip show d2l可以找到。
pip show d2l
打开文件路径后找到d2l的文件夹,再打开torch的文件,可以用记事本或者pycharm打开。打开后拉到最下面添加相应的函数定义即可。
train_epoch_ch3函数:
def train_epoch_ch3(net, train_iter, loss, updater): #@save
"""训练模型一个迭代周期(定义见第3章)"""
# 将模型设置为训练模式
if isinstance(net, torch.nn.Module): # isinstance()用来判断一个对象是否是一个已知的类型
net.train()
# 训练损失总和、训练准确度总和、样本数
metric = Accumulator(3)
for X, y in train_iter:
# 计算梯度并更新参数
y_hat = net(X)
l = loss(y_hat, y)
if isinstance(updater, torch.optim.Optimizer):
# 使用PyTorch内置的优化器和损失函数
updater.zero_grad()
l.mean().backward()
updater.step()
else:
# 使用定制的优化器和损失函数
l.sum().backward()
updater(X.shape[0])
metric.add(float(l.sum()), accuracy(y_hat, y), y.numel())
# 返回训练损失和训练精度
return metric[0] / metric[2], metric[1] / metric[2]
evaluate_accuracy函数:
def evaluate_accuracy(net, data_iter): #@save
"""计算在指定数据集上模型的精度"""
if isinstance(net, torch.nn.Module):
net.eval() # 将模型设置为评估模式
metric = Accumulator(2) # 正确预测数、预测总数
with torch.no_grad():
for X, y in data_iter:
metric.add(accuracy(net(X), y), y.numel())
return metric[0] / metric[1]
train_ch3函数:
def train_ch3(net, train_iter, test_iter, loss, num_epochs, updater): #@save
#该训练函数将会运行多个迭代周期(由num_epochs指定)。 在每个迭代周期结束时,利用test_iter访问到的测试数据集对模型进行评估。
#我们将利用Animator类来可视化训练进度。
"""训练模型(定义见第3章)"""
animator = Animator(xlabel='epoch', xlim=[1, num_epochs], ylim=[0.3, 0.9],
legend=['train loss', 'train acc', 'test acc'])
for epoch in range(num_epochs):
train_metrics = train_epoch_ch3(net, train_iter, loss, updater)
test_acc = evaluate_accuracy(net, test_iter)
animator.add(epoch + 1, train_metrics + (test_acc,))
train_loss, train_acc = train_metrics
assert train_loss < 0.5, train_loss
assert train_acc <= 1 and train_acc > 0.7, train_acc
assert test_acc <= 1 and test_acc > 0.7, test_acc
加完后保存,重新打开代码运行就可以正常运行了。
更多推荐
已为社区贡献1条内容
所有评论(0)