AttributeError: module ‘distutils‘ has no attribute ‘version‘解决跑pytorch代码报错

简介: AttributeError: module ‘distutils‘ has no attribute ‘version‘解决跑pytorch代码报错

跑pytorch代码报错AttributeError: module ‘distutils’ has no attribute ‘version’



Traceback (most recent call last):
File “D:/pycharm_envir/gaozhiyuan/Segmentation/pytorch_segmentation/deeplabv3-plus-pytorch-main/train.py”, line 16, in
from utils.callbacks import LossHistory, EvalCallback
File “D:\pycharm_envir\gaozhiyuan\Segmentation\pytorch_segmentation\deeplabv3-plus-pytorch-main\utils\callbacks.py”, line 17, in
from torch.utils.tensorboard import SummaryWriter
File “C:\software\anaconda3\envs\pytorch_gao\lib\site-packages\torch\utils\tensorboard_init_.py”, line 4, in
LooseVersion = distutils.version.LooseVersion
AttributeError: module ‘distutils’ has no attribute ‘version’


网上大多数方法是说使用pip uninstall setuptools卸载最新的setuptools,然后安装较老版本的


但是这个方法,亲测不太好用


这里建议直接使用pycharm修改源代码


第一步,进入这个代码里边

第二步,分别注释这几行代码



LooseVersion = distutils.version.LooseVersion

if not hasattr(tensorboard, ‘version’) or LooseVersion(tensorboard.version) < LooseVersion(‘1.15’):

raise ImportError(‘TensorBoard logging requires TensorBoard version 1.15 or above’)

del LooseVersion

e48e6a7c5d7a4efabf8a5189f281710b.png


注释完就可以正常运行了

目录
打赏
0
0
0
1
3
分享
相关文章
RPN(Region Proposal Networks)候选区域网络算法解析(附PyTorch代码)
RPN(Region Proposal Networks)候选区域网络算法解析(附PyTorch代码)
1690 1
大模型中常用的注意力机制GQA详解以及Pytorch代码实现
GQA是一种结合MQA和MHA优点的注意力机制,旨在保持MQA的速度并提供MHA的精度。它将查询头分成组,每组共享键和值。通过Pytorch和einops库,可以简洁实现这一概念。GQA在保持高效性的同时接近MHA的性能,是高负载系统优化的有力工具。相关论文和非官方Pytorch实现可进一步探究。
1036 4
自然语言生成任务中的5种采样方法介绍和Pytorch代码实现
在自然语言生成任务(NLG)中,采样方法是指从生成模型中获取文本输出的一种技术。本文将介绍常用的5中方法并用Pytorch进行实现。
316 0
基于PyTorch的大语言模型微调指南:Torchtune完整教程与代码示例
**Torchtune**是由PyTorch团队开发的一个专门用于LLM微调的库。它旨在简化LLM的微调流程,提供了一系列高级API和预置的最佳实践
322 59
基于PyTorch的大语言模型微调指南:Torchtune完整教程与代码示例
近端策略优化(PPO)算法的理论基础与PyTorch代码详解
近端策略优化(PPO)是深度强化学习中高效的策略优化方法,广泛应用于大语言模型的RLHF训练。PPO通过引入策略更新约束机制,平衡了更新幅度,提升了训练稳定性。其核心思想是在优势演员-评论家方法的基础上,采用裁剪和非裁剪项组成的替代目标函数,限制策略比率在[1-ϵ, 1+ϵ]区间内,防止过大的策略更新。本文详细探讨了PPO的基本原理、损失函数设计及PyTorch实现流程,提供了完整的代码示例。
162 10
近端策略优化(PPO)算法的理论基础与PyTorch代码详解
CNN中的注意力机制综合指南:从理论到Pytorch代码实现
注意力机制已成为深度学习模型的关键组件,尤其在卷积神经网络(CNN)中发挥了重要作用。通过使模型关注输入数据中最相关的部分,注意力机制显著提升了CNN在图像分类、目标检测和语义分割等任务中的表现。本文将详细介绍CNN中的注意力机制,包括其基本概念、不同类型(如通道注意力、空间注意力和混合注意力)以及实际实现方法。此外,还将探讨注意力机制在多个计算机视觉任务中的应用效果及其面临的挑战。无论是图像分类还是医学图像分析,注意力机制都能显著提升模型性能,并在不断发展的深度学习领域中扮演重要角色。
200 10
聊一聊计算机视觉中常用的注意力机制以及Pytorch代码实现
本文介绍了几种常用的计算机视觉注意力机制及其PyTorch实现,包括SENet、CBAM、BAM、ECA-Net、SA-Net、Polarized Self-Attention、Spatial Group-wise Enhance和Coordinate Attention等,每种方法都附有详细的网络结构说明和实验结果分析。通过这些注意力机制的应用,可以有效提升模型在目标检测任务上的性能。此外,作者还提供了实验数据集的基本情况及baseline模型的选择与实验结果,方便读者理解和复现。
278 0
聊一聊计算机视觉中常用的注意力机制以及Pytorch代码实现
PyTorch代码实现神经网络
这段代码示例展示了如何在PyTorch中构建一个基础的卷积神经网络(CNN)。该网络包括两个卷积层,分别用于提取图像特征,每个卷积层后跟一个池化层以降低空间维度;之后是三个全连接层,用于分类输出。此结构适用于图像识别任务,并可根据具体应用调整参数与层数。
110 9

热门文章

最新文章

AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等