实用指南：第三章深度学习---核心库TensorFlow 和 PyTorch 实操指南（四）

---

文章目录

• • 具体的专栏内容请参考：
• 人工智能专栏
• • 六、常见问题与解决方案
  • • 6.1 安装配置问题汇总
    • 6.2 代码运行问题处理
    • 6.3 性能优化技巧
    • 6.4 护理场景特殊问题处理

---

本教程旨在掌握TensorFlow和PyTorch两大深度学习框架在 PyCharm 环境下的安装配置与实际应用。通过系统学习，将能够：

1. 掌握 TensorFlow 和 PyTorch 在 PyCharm 中的安装配置，解决 CUDA 兼容性等常见问题

2. 理解深度学习核心概念，包括张量操作、神经网络构建等

3. 掌握护理数据的预处理技术，能够处理缺失值、归一化等问题

4. 具备用库函数实现简单神经网络的能力，能够构建护理场景的预测模型

5. 掌握模型训练流程，包括优化器选择、损失函数设计、训练轮次设置等

6. 能够在 PyCharm 中运行并查看训练过程，绘制损失曲线等可视化图表

本教程特别强调护理场景的实际应用，通过 “糖尿病护理风险预测” 等具体案例，让在掌握技术的同时，深刻理解深度学习在护理领域的应用价值。

具体的专栏内容请参考：

人工智能专栏

---

六、常见问题与解决方案

6.1 安装配置问题汇总

问题1：CUDA不可用错误

错误信息：

ImportError: libcudart.so.10.1: cannot open shared object file: No such file or directory

解决方案：

1. 检查CUDA版本是否正确安装
2. 确认TensorFlow/PyTorch版本与CUDA版本匹配
3. 设置环境变量：

export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
export CUDA_HOME=/usr/local/cuda
export PATH=/usr/local/cuda/bin:$PATH

问题 2：pip 安装超时或失败

原因：国内网络访问国外源速度慢

解决方案：

1. 使用国内镜像源：

pip install tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple

1. 使用 conda 安装（推荐）：

conda install tensorflow

问题 3：PyCharm 无法识别虚拟环境

解决方案：

1. 在 PyCharm 中，点击 File -> Settings -> Project: -> Python Interpreter

2. 点击右上角的 “+” 号

3. 选择 “Virtualenv Environment”

4. 选择已创建的虚拟环境路径（如 C:\Users\YourName\anaconda3\envs\nursing_dl\python.exe）

5. 点击 OK 确认

6.2 代码运行问题处理

问题 1：模型训练时显存不足

错误信息：

RuntimeError: CUDA out of memory

解决方案：

1. 减小批量大小（batch_size）

2. 使用较小的模型架构

3. 启用梯度累积：

# PyTorch示例
batch_size = 32
gradient_accumulation_steps = 2
loss = loss / gradient_accumulation_steps
loss.backward()
if (i + 1) % gradient_accumulation_steps == 0:
optimizer.step()
optimizer.zero_grad()

问题 2：模型训练过程中损失值为 NaN

可能原因：

1. 学习率过大导致梯度爆炸

2. 数据中存在无穷大或 NaN 值

3. 激活函数选择不当

解决方案：

1. 降低学习率

2. 检查数据完整性：

# 检查数据中的异常值
print("数据检查结果:")
print(f"是否存在NaN: {
np.isnan(data).any()}")
print(f"是否存在无穷大: {
np.isinf(data).any()}")
print(f"数据范围: 最小值{
data.min()}, 最大值{
data.max