安装问题与'；lr#u utils'；用python

我正在努力完成DeepLearning.ai课程作业中的一些家庭作业

当我在Coursera平台上尝试作业时，一切正常，但是当我尝试在本地机器上执行相同的

导入操作时，会出现错误

ModuleNotFoundError: No module named 'lr_utils'

我已尝试通过安装
lr\u utils
来解决此问题，但没有效果

网上没有提到这个模块，现在我开始怀疑这是否是
deeplearning.ai
的专利

或者我们可以用其他方式解决这个问题吗？
“lr_utils”不是官方图书馆或类似的东西。
“lr_utils”的目的是获取课程所需的数据集

选项（对我不起作用）：


我在从提供的url获取数据时遇到了问题（但至少您可以尝试运行它，也许它会工作）

选项（对我有用）：在评论中（在同一页），有手动下载dataset和“lr_utils.py”的链接，因此它们是：




请记住在下载数据集时提取数据集，并且必须将数据集文件夹和“lr_utils.py”与使用它的python脚本（带有此行“import lr_utils”的脚本）放在同一文件夹中

从上面的答案下载数据集

并使用此代码（比上述代码更好，因为它在使用后会关闭文件）：

如上所述，lr_utils是深度学习课程的一部分，是下载数据集的实用工具。它应该可以很容易地与课程的付费版本一起使用，但如果您“丢失”了对它的访问，我注意到这个github项目有lr_utils.py以及一些数据集


注:
当我看到中国网站的链接时，这些链接不起作用。可能存储文件的服务器已过期。我确实看到这个github项目有一些数据集以及lr_utils文件。
您将能够找到分配所需的
lr_utils.py
和所有其他
.py
文件（以及其中的代码）：

转到第一个任务（即使用numpy的Python基础）-无论您是否是付费用户，都可以访问该任务


然后单击上面菜单栏中的“打开””按钮。（见下图）



然后，您可以直接在代码中包含模块的代码

以下是从as@ThinkBonobo获取数据集的方法：

编写一个lr_utils.py文件，如上面的answer@stationarytraveler，将其放入sys.path（）目录中的任意一个

def load_数据集（）：
将h5py.File（'datasets/train_catvnoncat.h5'，“r”）作为列数据集：

！！！但请确保删除“dataset/”，因为现在数据文件的名称是train_catvnoncat.h5

重启内核，祝你好运

我可以补充一点，您可以将文件与lr_utils脚本一起保存在光盘上，并使用importlib util函数以以下方式将其作为模块导入。


以下代码来自关于将函数从外部文件导入当前用户会话的常规线程：


这是迄今为止我从Python中的不同文件中获取函数/方法的最方便的方法。
我来自R后台，您只需调用一行函数source（），即可将外部脚本内容带入当前会话。
下面是您的代码，只需保存名为“lr_utils.py”的文件，现在就可以使用它了

import numpy as np
import h5py
def load_dataset():
train_dataset = h5py.File('datasets/train_catvnoncat.h5', "r")
train_set_x_orig = np.array(train_dataset["train_set_x"][:]) # your train set features
train_set_y_orig = np.array(train_dataset["train_set_y"][:]) # your train set labels
test_dataset = h5py.File('datasets/test_catvnoncat.h5', "r")
test_set_x_orig = np.array(test_dataset["test_set_x"][:]) # your test set features
test_set_y_orig = np.array(test_dataset["test_set_y"][:]) # your test set labels
classes = np.array(test_dataset["list_classes"][:]) # the list of classes
train_set_y_orig = train_set_y_orig.reshape((1, train_set_y_orig.shape[0]))
test_set_y_orig = test_set_y_orig.reshape((1, test_set_y_orig.shape[0]))
return train_set_x_orig, train_set_y_orig, test_set_x_orig, test_set_y_orig, classes

如果代码文件找不到新创建的lr_utils.py文件，请编写以下代码：

import sys
sys.path.append("full path of the directory where you saved Ir_utils.py file")

上面的答案没有帮助，一些链接已经过期

因此，lr_utils不是pip库，而是与CourseEra网站位于同一笔记本中的文件

您可以单击“打开”，它将打开资源管理器，您可以在其中下载希望在其他环境中运行的所有内容

（我在浏览器上使用了它。）
我解决这个问题的方法是：

单击文件->打开->您将看到lr_utils.py文件（无论您是否拥有课程的付费/免费版本）
在Jupyter笔记本中打开lr_utils.py文件，然后单击文件->下载（将其存储在您自己的文件夹中），重新运行导入模块。它会像魔法一样工作

我对数据集文件夹执行了相同的过程
这就是我解决我的问题的方法，我复制了lir_utils文件并将其粘贴到我的笔记本中，然后通过压缩文件并提取数据来下载数据集。使用以下代码。注意：在coursera笔记本上运行代码，并仅选择要下载目录中的压缩文件

!pip install zipfile36

zf = zipfile.ZipFile('datasets/train_catvnoncat_h5.zip', mode='w')

try:

    zf.write('datasets/train_catvnoncat.h5')

    zf.write('datasets/test_catvnoncat.h5')

finally:

    zf.close()



我可以直接从coursera页面下载数据集

打开Coursera笔记本后，进入文件->打开，将显示以下窗口：

此时将显示笔记本和数据集，您可以转到“数据集”文件夹并下载作业所需的数据。软件包lr_utils.py也可下载。
您可以在此处直接下载列车和测试数据集：

您需要在开头添加以下代码：

    import numpy as np
    import h5py
    import os      

def load_dataset():
    train_dataset = h5py.File('datasets/train_catvnoncat.h5', "r")
    train_set_x_orig = np.array(train_dataset["train_set_x"][:]) # your train set features
    train_set_y_orig = np.array(train_dataset["train_set_y"][:]) # your train set labels

    test_dataset = h5py.File('datasets/test_catvnoncat.h5', "r")
    test_set_x_orig = np.array(test_dataset["test_set_x"][:]) # your test set features
    test_set_y_orig = np.array(test_dataset["test_set_y"][:]) # your test set labels

    classes = np.array(test_dataset["list_classes"][:]) # the list of classes
    
    train_set_y_orig = train_set_y_orig.reshape((1, train_set_y_orig.shape[0]))
    test_set_y_orig = test_set_y_orig.reshape((1, test_set_y_orig.shape[0]))
    
    return train_set_x_orig, train_set_y_orig, test_set_x_orig, test_set_y_orig, classes

我遇到了类似的问题，我遵循了以下步骤：
1.导入以下库


2.从以下任一链接下载列车_catvnoncat.h5和测试_catvnoncat.h5：
[https://github.com/berkayalan/Neural-Networks-and-Deep-Learning/tree/master/datasets]
或
[https://github.com/JudasDie/deeplearning.ai/tree/master/Improving%20Deep%20Neural%20Networks/Week1/Regularization/datasets]

3.创建一个名为dataset的文件夹，并将这两个文件粘贴到此文件夹中。
[注意：数据集文件夹和源代码文件应位于同一目录]

4.运行以下代码


5.加载数据：


检查数据
!pip install zipfile36

zf = zipfile.ZipFile('datasets/train_catvnoncat_h5.zip', mode='w')

try:

    zf.write('datasets/train_catvnoncat.h5')

    zf.write('datasets/test_catvnoncat.h5')

finally:

    zf.close()



    import numpy as np
    import h5py
    import os      

def load_dataset():
    train_dataset = h5py.File('datasets/train_catvnoncat.h5', "r")
    train_set_x_orig = np.array(train_dataset["train_set_x"][:]) # your train set features
    train_set_y_orig = np.array(train_dataset["train_set_y"][:]) # your train set labels

    test_dataset = h5py.File('datasets/test_catvnoncat.h5', "r")
    test_set_x_orig = np.array(test_dataset["test_set_x"][:]) # your test set features
    test_set_y_orig = np.array(test_dataset["test_set_y"][:]) # your test set labels

    classes = np.array(test_dataset["list_classes"][:]) # the list of classes
    
    train_set_y_orig = train_set_y_orig.reshape((1, train_set_y_orig.shape[0]))
    test_set_y_orig = test_set_y_orig.reshape((1, test_set_y_orig.shape[0]))
    
    return train_set_x_orig, train_set_y_orig, test_set_x_orig, test_set_y_orig, classes

import numpy as np
import matplotlib.pyplot as plt
import h5py
import scipy
from PIL import Image
from scipy import ndimage

def load_dataset():

    with h5py.File('datasets1/train_catvnoncat.h5', "r") as train_dataset:
        train_set_x_orig = np.array(train_dataset["train_set_x"][:])
        train_set_y_orig = np.array(train_dataset["train_set_y"][:])

    with h5py.File('datasets1/test_catvnoncat.h5', "r") as test_dataset:
        test_set_x_orig = np.array(test_dataset["test_set_x"][:])
        test_set_y_orig = np.array(test_dataset["test_set_y"][:])
        classes = np.array(test_dataset["list_classes"][:])

    train_set_y_orig = train_set_y_orig.reshape((1, train_set_y_orig.shape[0]))
    test_set_y_orig = test_set_y_orig.reshape((1, test_set_y_orig.shape[0]))

    return train_set_x_orig, train_set_y_orig, test_set_x_orig, test_set_y_orig, classes

train_set_x_orig, train_set_y, test_set_x_orig, test_set_y, classes = load_dataset()

print(len(train_set_x_orig))
print(len(test_set_x_orig))