缩进错误。我完全不知所措

Question

我已经手动将整个事情间隔开。尽管如此，它还是行不通。第一行之后直接出现缩进错误。

代码：

def train_epoch(model, data_loader, loss_fn, optimizer, device, scheduler, n_examples):

""" docstring? """

losses = []

for d in data_loader:

    input_ids = d['input_ids'].to(device)

    targets = d['targets'].to(device)

    outputs = model(input_ids = input_ids, labels = targets)

    loss = loss_fn(outputs, targets)

    losses.append( loss.item() )

    loss.backward()

    optimizer.step()

    scheduler.step()

    optimizer.zero_grad()

return np.mean(losses)

错误：

def train_epoch(模型、data_loader、loss_fn、优化器、设备、调度器、n_examples): ...

文件“”，第 2 行 ^ IndentationError：需要缩进块

到底是怎么回事？我没有看到任何地方有问题。

Answer 1

def train_epoch(model, data_loader, loss_fn, optimizer, device, scheduler, n_examples):    """    docstring?    """    losses = []    for d in data_loader:        input_ids = d['input_ids'].to(device)        targets = d['targets'].to(device)        outputs = model(input_ids = input_ids, labels = targets)        loss = loss_fn(outputs, targets)        losses.append( loss.item() )        loss.backward()        optimizer.step()        scheduler.step()        optimizer.zero_grad()    return np.mean(losses)请像这样格式化。您的代码不在您的train_epoch()方法的缩进块下。

Answer 2

我修改了它：for循环必须向右缩进才能使其函数代码运行或在函数内部，否则它不会被视为函数代码。此外，在这种情况下，损失列表必须位于 for 循环内部，而不是在其之前，也不能位于同一 for 循环级别。尝试一下然后告诉我。如果成功投票并回答:-)def train_epoch(model, data_loader, loss_fn, optimizer, device, scheduler, n_examples):               for d in data_loader:        losses = []        input_ids = d['input_ids'].to(device)        targets = d['targets'].to(device)        outputs = model(input_ids = input_ids, labels = targets)        loss = loss_fn(outputs, targets)        losses.append( loss.item() )        loss.backward()        optimizer.step()        scheduler.step()        optimizer.zero_grad()        return np.mean(losses)

Answer 3

这是因为第一行。函数体必须缩进。def train_epoch(model, data_loader, loss_fn, optimizer, device, scheduler, n_examples):    """ docstring? """    losses = []    for d in data_loader:        input_ids = d['input_ids'].to(device)        targets = d['targets'].to(device)        outputs = model(input_ids = input_ids, labels = targets)        loss = loss_fn(outputs, targets)        losses.append( loss.item() )        loss.backward()        optimizer.step()        scheduler.step()        optimizer.zero_grad()    return np.mean(losses)