一、添加d2l库whl文件
1.使用国内源找到对应版本进行安装,此处有个华为云链接
2.ctrl+f 搜索 d2l-0.17.6-py3-none-any.whl
,然后点击下载即可,图上两个文件都下,否则会报错
3.下载完成后找到下载文件所在的目录,复制路径(注意不要把文件移到c盘以外的盘)。
4.启动conda 的终端,然后在终端中切换虚拟环境到咱们 pytorch 所安装的虚拟环境conda activate + 你所需要切换到的虚拟环境的名称
5.cd 到你之前所下载文件的目录 cd C:\Users\Mayn\Downloads
6.然后直接pip所下载的文件即可pip install d2l-0.17.6-py3-none-any.whl
二、安装d2l库后提示缺少函数,以train_ch3为例
1.转到安装d2l库的环境
2.输入pip show d2l 查找库的安装位置
3.转到安装目录下,以记事本或pycharm的方式打开torch文件
4.将以下三个函数复制到torch文件中保存即可
函数train_epoch_ch3
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]
函数evaluate_accuracy
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]
函数train_ch3
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