通义灵码是由国内阿里云推出的一款AI辅助编程插件，可以极大提升开发效率，降低了程序员开发难度和技术门槛。

本文带你使用通义灵码协助我们完成Python程序调错。

一、准备开发工具

1.1安装社区版IDE

Python程序常用的IDE开发工具是PyCharm，下载地址:https://www.jetbrains.com/pycharm/download/

我们作为个人使用，下载社区版就够啦:

下载下来后，安装即可，建议安装路径不要放在C盘，预留磁盘空间，放入其他盘符。

1.2安装Anaconda环境

Anaconda是一款Python环境工具，下载地址:https://www.anaconda.com/products/distribution

在下载页面上，您可以选择不同的版本：

（1）Anaconda Individual Edition: 免费版，适合个人使用。

（2）Anaconda Team Edition: 需要购买许可，适合团队协作。

根据您的操作系统（Windows, macOS 或 Linux）选择合适的安装包操作系统。

个人使用建议选择免费版windows操作系统，下载后一步步安装即可，避免安装在C盘。

二、PyCharm安装通义灵码插件

打开安装好的PyCharm:

2.1新建project

选择菜单:File->New Project

配置环境，环境地址选择刚才下载安装的Anaconda安装路径：

默认打开如图所示:

2.2安装通义灵码插件

点击菜单File->Settings

带设置页面输入plugins:

然后在Marketplace输入框输入:tongyi，按下回车

选择安装，安装好后重启PyCharm。

再次打开PyCharm，右侧就出现了通义灵码插件:

第一次使用通义灵码要求登录阿里云账号，各位用手机号、验证码登录阿里云后就可以使用通义灵码插件了。

三、使用通义灵码帮助调试程序

3.1生成csv样本文件程序

将我们昨天博文写过的代码，在Project新环境中再拷贝一份:

generate_data.py：

import pandas as pd

# 创建示例数据

data = {

'text': [

'This is a good movie.',

'I did not like the book.',

'The weather is nice.',

'Terrible service.',

'MyName is AI Teacher.'

],

'label': [1.0, 0.0, 1.0, 0.0, 1.0]

}

# 创建 DataFrame

df = pd.DataFrame(data)

# 保存为 CSV 文件

df.to_csv('text_data.csv', index=False)

可以看到右上角pandas爆红，环境缺少这个组件（就跟Java项目缺少jar包一样）:

运行报错，缺少组件:

这个时候可以借助通义灵码了，打开通义灵码输入：No module named 'pandas'

通义灵码告诉了你问题原因及解决之道:

我们按照通义灵码说的，打开PyCharm终端:

输入：pip install pandas

安装组件。

不一会儿，组件安装好了，PyCharm刷新环境索引，加载依赖包:

程序已正常:

我们再次运行程序，得到结果文件:

3.2调试深度学习训练&预测程序

将昨天分享的文本模型训练代码复制到Project中:

train_new1.py文件:

import torch

import torch.nn as nn

import torch.optim as optim

from torch.utils.data import DataLoader, Dataset

from sklearn.model_selection import train_test_split

from sklearn.feature_extraction.text import CountVectorizer

from sklearn.preprocessing import LabelEncoder

import pandas as pd

class TextDataset(Dataset):

def __init__(self, texts, labels):

self.texts = texts

self.labels = labels

def __len__(self):

return len(self.labels)

def __getitem__(self, idx):

text = torch.tensor(self.texts[idx], dtype=torch.long)

label = torch.tensor(self.labels[idx], dtype=torch.long)

return text, label

class TextClassifier(nn.Module):

def __init__(self, input_dim, hidden_dim, output_dim):

super(TextClassifier, self).__init__()

self.fc1 = nn.Linear(input_dim, hidden_dim)

self.relu = nn.ReLU()

self.fc2 = nn.Linear(hidden_dim, output_dim)

def forward(self, x):

out = self.fc1(x)

out = self.relu(out)

out = self.fc2(out)

return out

# 加载数据

data = pd.read_csv('text_data.csv')

texts = data['text'].values

labels = data['label'].values

# 分词和向量化

vectorizer = CountVectorizer(max_features=5000) # 可以调整特征数量

X = vectorizer.fit_transform(texts).toarray()

# 标签编码

label_encoder = LabelEncoder()

y = label_encoder.fit_transform(labels)

# 划分训练集和验证集

X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建数据集实例

train_dataset = TextDataset(X_train, y_train)

val_dataset = TextDataset(X_val, y_val)

# 创建数据加载器

train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)

val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False)

input_dim = X_train.shape[1] # 输入维度

hidden_dim = 128

output_dim = len(label_encoder.classes_) # 输出维度

model = TextClassifier(input_dim, hidden_dim, output_dim)

optimizer = optim.Adam(model.parameters(), lr=0.001)

criterion = nn.CrossEntropyLoss()

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

model.to(device)

def train(model, dataloader, optimizer, criterion, device):

model.train()

total_loss = 0

for inputs, labels in dataloader:

inputs, labels = inputs.to(device), labels.to(device)

inputs = inputs.float()

optimizer.zero_grad()

outputs = model(inputs)

loss = criterion(outputs, labels)

loss.backward()

optimizer.step()

total_loss += loss.item()

return total_loss / len(dataloader)

# 训练模型

num_epochs = 10

for epoch in range(num_epochs):

train_loss = train(model, train_loader, optimizer, criterion, device)

print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {train_loss:.4f}')

def predict(model, dataloader, device):

model.eval()

predictions = []

with torch.no_grad():

for inputs, _ in dataloader:

inputs = inputs.to(device)

inputs = inputs.float()

outputs = model(inputs)

_, preds = torch.max(outputs, 1)

predictions.extend(preds.tolist())

return predictions

# 使用验证集进行预测

predictions = predict(model, val_loader, device)

print(predictions[:5])

查看程序一大堆包找不到:

二话不说，先运行程序，看看报错信息:

询问通义灵码:No module named 'torch'

通义灵码给出了提示信息:

按照提示信息，在Terminal终端安装: pip install torch torchvision torchaudio

完成安装后刷新环境索引:

再次运行程序:

缺少深度学习sklearn包:

询问通义灵码:No module named 'sklearn'

按照解决方案提示，需要安装：pip install scikit-learn

打开终端安装：pip install scikit-learn

安装完成后刷新环境索引：

程序已无报错：

右键运行，看训练和预测结果:

顺利利用少量样本，完成10轮训练和预测:

详细AI技术学习可关注，获取更多AI实用技术学习。