Python 在Spyder中运行Pytorch神经网络时出现属性错误

我试图运行一个神经网络来了解更多关于分类嵌入的知识（这里是神经网络代码的示例），但是Spyder在最后尝试运行循环后给出了AttributeError

回溯（最近一次呼叫最后一次）： 文件“”，第1行，在 文件“C:\Workspace\Python\u Runtime\Python\lib\multiprocessing\spawn.py”，第116行，在spawn\u main中 exitcode=_main（fd，父节点_sentinel） 文件“C:\Workspace\Python\u Runtime\Python\lib\multiprocessing\spawn.py”，第126行，在\ u main中 self=reduce.pickle.load（从父级） AttributeError:无法在上获取属性“TablerDataSet”

我的理解是，这是因为Spyder在多处理功能方面存在问题

正如一些答案所暗示的那样，我已经尝试过将所有不在类或def中的内容包装起来

if __name__ == '__main__':

但这似乎没有帮助，错误仍然会出现

我还尝试导入多进程包，而不是多进程，但没有帮助。我想我需要去更改spawn.py文件中的行，但不确定具体如何更改

问题是，在我目前的电脑上，我只有Spyder。我试着用Pycharm在家里的个人电脑上的另一个数据集上运行相同的代码，它工作正常，没有任何错误

有人知道我如何解决Spyder中的问题吗

我使用的神经网络代码如下：

来自torch.utils.data导入数据集，数据加载器
类tablerDataSet（数据集）：
定义初始值（自身、数据、类别=无、输出列=无）：
"""
描述PyTorch的数据集的特征
参数
----------
数据：熊猫数据帧
输入数据的数据框对象。它必须
包含所有连续的、分类的和
要使用的输出列。
目录：字符串列表
数据中分类列的名称。
这些列将通过嵌入
模型中的图层。这些列必须是
预先编码的标签。
输出列：字符串
数据中输出变量列的名称
假如
"""
self.n=data.shape[0]
如果输出_col：
self.y=data[output\u col].astype（np.float32）.values.reformate（-1，1）
其他：
self.y=np.zero（（self.n，1））
self.cat\u cols=如果cat\u cols为else，则为cat\u cols[]
self.cont_cols=[col for col in data.columns
如果列不在self.cat_cols+[output_col]]
如果self.cont\u cols：
self.cont_X=数据[self.cont_cols].astype（np.float32）.值
其他：
self.cont_X=np.zero（（self.n，1））
如果self.cat_cols：
self.cat\u X=data[cat\u cols].astype（np.int64）.值
其他：
self.cat_X=np.zero（（self.n，1））
定义（自我）：
"""
表示样本总数。
"""
返回自我
def uu getitem uu（self，idx）：
"""
生成一个数据样本。
"""
返回[self.y[idx]，self.cont\u X[idx]，self.cat\u X[idx]]
进口火炬
导入torch.nn作为nn
导入torch.nn.功能为F
类前馈nn（nn.模块）：
定义初始（自、emb dims、无连续、林层大小、，
输出\u大小、emb\u辍学、lin\u层\u辍学）：
"""
参数
----------
emb_dims：两个元素元组的列表
此列表将包含每个元素的两个元素元组
分类特征。元组的第一个元素将
表示类别的唯一值的数目
第二个元素将表示嵌入
用于该特征的尺寸。
否\u of \u cont:整数
数据中连续要素的数量。
林层大小：整数列表。
每个线性层的大小。长度将相等
总数
网络中线性层的数量。
输出大小：整数
最终输出的大小。
emb_辍学：浮动
嵌入层后要使用的下拉列表。
lin_layer_辍学：浮动列表
在每个线性层之后使用的辍学。
"""
super（）。\uuuu init\uuuuu（）
#嵌入层
self.emb_layers=nn.ModuleList（[nn.Embedding（x，y））
对于x，y，在emb_dims中]）
无emb=总和（y代表x，y代表emb）
self.no_of_embs=no_of_embs
self.no_of_cont=no_of_cont
#线性层
第一层=nn.线性（EMB的自编号+cont的自编号，
林_层_大小[0]）
self.lin\u layers=nn.ModuleList（[first\u lin\u layer]+[nn.Linear（lin\u layer\u大小[i]，lin\u layer\u大小[i+1]），用于范围内的i（len（lin\u layer\u大小）-1）]）
对于self.linu层中的linu层：
nn.init.kaiming\u normal\u（lin\u layer.weight.data）
#输出层
self.output\u layer=nn.Linear（lin\u layer\u大小[-1]，
输出（单位大小）
nn.init.kaiming\u normal\u（self.output\u layer.weight.data）
#批量标准层
self.first\u bn\u layer=nn.BatchNorm1d（self.no\u of\u cont）
self.bn_layers=nn.ModuleList（[nn.BatchNorm1d（大小）
对于lin中的大小（图层大小]）
#辍学层
self.emb\u dropout\u layer=nn.dropout（emb\u dropout）
self.droput_layers=nn.ModuleList（[nn.Dropout（大小））
对于lin_层中的大小（辍学）]）
def转发（自身、连续数据、cat数据）：
如果没有EMB！=0:
x=[emb_层（cat_数据[：，i]）
对于i，枚举中的emb_层（self.emb_层）]
x=火炬类别（x，1）
x=自emb\u脱落层（x）
如果self.no\u of\u cont！=0:
标准化的连续数据=自身第一层（连续数据）
如果没有EMB！=0:
x=火炬.cat（[x，标准化控制数据]，1）
其他：
x=标准化的连续数据
对于lin_层、dropout_层、bn_层\
zip（self.lin\u层、self.droput\u层、self.bn\u层）：
x=F.relu（林_层（x））
x=bn_层（x）
x=脱落层（x）
x=自输出层（x）