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。

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。