请问大家数据怎么从c盘载到jupyter里？以及为什么import报错呀

Question

我在gitee上下载的李宏毅机器学习GAN的源码，然后直接放到jupyter上面了，现在不知道怎么办训练集数据从c盘载入到jupyter里，还有就是import为什么报错了呢？因为对应的库没下载吗

Answer 1

阿里嘎多学长整理AIGC生成，因移动端显示问题导致当前答案未能完全显示，请使用PC端查看更加详细的解答过程

解答

你遇到的问题是将数据从 C 盘加载到 Jupyter Notebook 中，然后使用 PyTorch 和 GAN 进行训练。下面是解决方案：

1. 将数据从 C 盘加载到 Jupyter Notebook 中： 你可以使用 Python 的 os 和 pathlib 模块来读取 C 盘上的数据。例如：

import os
import pathlib

data_path = pathlib.Path('C:/path/to/your/data')
data = pd.read_csv(data_path / 'your_data.csv')

其中，data_path 是 C 盘上的路径，your_data.csv 是你要加载的数据文件。

1. 解决 import 报错： 如果你遇到了 import 报错，可能是因为你没有安装对应的库或版本。可以尝试使用 pip 命令安装对应的库，例如：

pip install torch torchvision

如果你已经安装了对应的库，但仍然报错，可以尝试使用 import 语句指定具体的库版本，例如：

import torch
import torchvision

如果你使用的是 PyTorch 1.9.x，可以尝试使用 import torch.nn as nn 和 import torch.optim as optim。

1. GAN 训练： 如果你已经加载了数据和安装了对应的库，可以尝试使用 PyTorch 和 GAN 训练。例如：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义 GAN 模型
class Generator(nn.Module):
    def __init__(self):
        super(Generator, self).__init__()
        self.fc1 = nn.Linear(100, 128)
        self.fc2 = nn.Linear(128, 784)

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = torch.sigmoid(self.fc2(x))
        return x

# 定义 Discriminator 模型
class Discriminator(nn.Module):
    def __init__(self):
        super(Discriminator, self).__init__()
        self.fc1 = nn.Linear(784, 128)
        self.fc2 = nn.Linear(128, 1)

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = torch.sigmoid(self.fc2(x))
        return x

# 训练 GAN
generator = Generator()
discriminator = Discriminator()
criterion = nn.BCELoss()
optimizer_G = optim.Adam(generator.parameters(), lr=0.001)
optimizer_D = optim.Adam(discriminator.parameters(), lr=0.001)

for epoch in range(100):
    for i in range(len(data)):
        # 生成器训练
        optimizer_G.zero_grad()
        z = torch.randn(100, 100)
        fake_data = generator(z)
        loss_G = criterion(discriminator(fake_data), torch.ones_like(fake_data))
        loss_G.backward()
        optimizer_G.step()

        # 判别器训练
        optimizer_D.zero_grad()
        real_data = data[i]
        loss_D = criterion(discriminator(real_data), torch.ones_like(real_data)) + criterion(discriminator(fake_data), torch.zeros_like(fake_data))
        loss_D.backward()
        optimizer_D.step()

这个示例代码使用 PyTorch 和 GAN 训练，生成器和判别器使用了不同的网络结构和损失函数。