运行深度学习代码报No module named 'ModelWrapper'错误如何解决？

报错ModuleNotFoundError: No module named 'ModelWrapper'的核心原因是：ModelWrapper不是Python标准库、TensorFlow/PyTorch等主流深度学习框架自带的类，属于你参考的教程/项目中自定义的模型封装类，你当前的运行环境中没有导入或定义该类。

解决方法 #

• 方案1：找到你参考的教程/项目中ModelWrapper类的定义代码，直接复制到当前脚本的头部；如果该类存放在单独的py文件中，将该文件放到你的运行目录下，添加导入语句from 文件名 import ModelWrapper即可。
• 方案2：根据你自己的任务需求，自定义符合调用逻辑的ModelWrapper类。以下是基于Keras的二分类任务示例，你可以根据自己的框架、任务类型调整参数：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.optimizers import Adam

class ModelWrapper:
    def __init__(self, activation):
        # 可根据任务需求调整网络层数、神经元数量
        self.model = Sequential([
            Dense(64, activation=activation, input_shape=(X_train.shape[1],)),
            Dense(32, activation=activation),
            # 二分类输出层，多分类任务换为Dense(类别数, activation='softmax')
            Dense(1, activation='sigmoid')
        ])
        self.model.compile(
            optimizer=Adam(learning_rate=0.001),
            # 多分类任务损失函数换为sparse_categorical_crossentropy，回归任务换为mse
            loss='binary_crossentropy',
            metrics=['accuracy']
        )
    
    def fit(self, X_train, y_train, **kwargs):
        return self.model.fit(X_train, y_train, **kwargs)

• 注意：如果使用PyTorch框架，按照上述逻辑封装对应PyTorch模型的初始化、训练逻辑即可，保证fit方法的传参与返回值和你原有代码的调用逻辑匹配。

内容的提问来源于stack exchange，提问作者mighty