以d2l库为例安装自己下的whl文件（自用）

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