_pickle.PicklingError: Can‘t pickle ＜class ‘main.MLPmodel‘＞: attribute lookup MLPmodel on __main

最新推荐文章于 2025-02-15 07:20:21 发布

code_carrot

最新推荐文章于 2025-02-15 07:20:21 发布

阅读量9.9k

点赞数 23

分类专栏：深度学习 Python 文章标签： pytorch 深度学习 python 神经网络

本文链接：https://blog.csdn.net/qq_37209590/article/details/122699573

版权

报错信息：_pickle.PicklingError: Can't pickle <class '__main__.MLPmodel'>: attribute lookup MLPmodel on __main__ failed

解决方法：

报错信息的意思是在main里面找不到MLPmodel（文末附源代码）

因为我是在同一个文件A里定义的网络结构(class MLPmodel)，在后面的if __name__ == "__main__"里面使用，故出现上述报错。

※ 将class MLPmodel部分代码剪切粘贴到一个单独的文件B中，在A中import即可解决问题。

下面放出代码：原代码及更改后的代码

原代码：create_net.py

更改后的代码：MLPmodel.py、MLPmodel2.py、create_net_test.py

create_net.py

'''搭建网络：用Module和Sequential两种不同的网络定义方式'''
import torch
import torch.nn as nn  # nn模块方便用户对网络中的层的使用
from torch.optim import SGD
import torch.utils.data as Data  # Data模块用于对使用数据的预处理
from sklearn.datasets import load_boston  # 用于导入数据
from sklearn.preprocessing import StandardScaler  # 对数据进行标准化
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt


# 使用继承Module的方式定义一个包含层的全连接神经网络
class MLPmodel(nn.Module):
    def __init__(self):
        super(MLPmodel, self).__init__()
        # 定义第一个隐藏层
        self.hidden1 = nn.Linear(
            in_features=13,  # 第一个隐藏层的输入，数据的特征数
            out_features=10,  # 第一个隐藏层的输出，神经元的数量
            bias=True,  # 默认会有偏置
        )
        self.active1 = nn.ReLU()
        # 定义第二个隐层
        self.hidden2 = nn.Linear(10, 10)
        self.active2 = nn.ReLU()
        # 定义预测回归层
        self.regression = nn.Linear(10, 1)

    # 定义网络的前向传播路径
    def forward(self, x):
        x = self.hidden1(x)
        x = self.active1(x)
        x = self.hidden2(x)
        x = self.active2(x)
        output = self.regression(x)
        # 输出为output
        return output


# 使用定义网络时使用nn.Sequential的形式
class MLPmodel2(nn.Module):
    def __init__(self):
        super(MLPmodel2, self).__init__()
        # 定义隐藏层
        # nn.Sequential()可以简化定义网络的结构和前向传播函数
        self.hidden = nn.Sequential(
            nn.Linear(13, 10),
            nn.ReLU()