python 深度学习 解决遇到的报错问题

目录

一、解决报错ModuleNotFoundError: No module named ‘tensorflow.examples

二、解决报错ModuleNotFoundError: No module named ‘tensorflow.contrib‘

三、安装onnx报错assert CMAKE, ‘Could not find “cmake“ executable!‘

四、ImportError: cannot import name 'builder' from 'google.protobuf.internal'

五、解决ModuleNotFoundError: No module named 'sklearn'

六、解决AttributeError: module ‘torch._C‘ has no attribute ‘_cuda_setDevice‘

七、解决ImportError: Missing optional dependency 'pytables'.  Use pip or conda to install pytables.

八、解决AttributeError: module ‘distutils’ has no attribute ‘version’.

一、解决报错ModuleNotFoundError: No module named ‘tensorflow.examples

注意：MNIST数据集下载完成后不要解压，直接放入mnist_data文件夹下读取即可。

问题：我在用tensorflow做mnist数据集案例，报错了。

原因：tensorflow中没有examples。
解决方法：（1）首先找到对应tensorflow的文件，我的是在D:\python3\Lib\site-packages\tensorflow（python的安装目录），进入tensorflow文件夹，发现没有examples文件夹。 

我们可以进入github下载：mirrors / tensorflow / tensorflow · GitCode。

（2）下载完成后将\tensorflow-master\tensorflow\目录下的examples文件夹复制到本地tensorflow文件夹中，然后在重新运行代码即可。

（3）之后发现还是没能解决问题，发现examples中缺少tutorials文件夹。在官方的github中没发现这个文件，在其他博主那里下载到了该文件。

下载地址： 百度网盘 请输入提取码

提取码：cxy7

（4）但是依旧没有解决问题…
前面博主使用的应该是tf1.0的版本。参考其他博主的方法解决了问题。

  • 在工程下新建一个input_data.py文件，将tutorials文件夹下mnist中的input_data.py的内容复制到该文件中，
  • 再在主文件中import input_data一下。

input_data.py文件内容放在下面，需要的自取。

# Copyright 2016 The TensorFlow Authors. All Rights Reserved.
#
# Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
#     http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.
# ==============================================================================
"""Functions for downloading and reading MNIST data (deprecated).This module and all its submodules are deprecated.
"""from __future__ import absolute_import
from __future__ import division
from __future__ import print_functionimport collections
import gzip
import osimport numpy
from six.moves import urllib
from six.moves import xrange  # pylint: disable=redefined-builtinfrom tensorflow.python.framework import dtypes
from tensorflow.python.framework import random_seed
from tensorflow.python.platform import gfile
from tensorflow.python.util.deprecation import deprecated_Datasets = collections.namedtuple('_Datasets', ['train', 'validation', 'test'])# CVDF mirror of http://yann.lecun.com/exdb/mnist/
DEFAULT_SOURCE_URL = 'https://storage.googleapis.com/cvdf-datasets/mnist/'def _read32(bytestream):dt = numpy.dtype(numpy.uint32).newbyteorder('>')return numpy.frombuffer(bytestream.read(4), dtype=dt)[0]@deprecated(None, 'Please use tf.data to implement this functionality.')
def _extract_images(f):"""Extract the images into a 4D uint8 numpy array [index, y, x, depth].Args:f: A file object that can be passed into a gzip reader.Returns:data: A 4D uint8 numpy array [index, y, x, depth].Raises:ValueError: If the bytestream does not start with 2051."""print('Extracting', f.name)with gzip.GzipFile(fileobj=f) as bytestream:magic = _read32(bytestream)if magic != 2051:raise ValueError('Invalid magic number %d in MNIST image file: %s' %(magic, f.name))num_images = _read32(bytestream)rows = _read32(bytestream)cols = _read32(bytestream)buf = bytestream.read(rows * cols * num_images)data = numpy.frombuffer(buf, dtype=numpy.uint8)data = data.reshape(num_images, rows, cols, 1)return data@deprecated(None, 'Please use tf.one_hot on tensors.')
def _dense_to_one_hot(labels_dense, num_classes):"""Convert class labels from scalars to one-hot vectors."""num_labels = labels_dense.shape[0]index_offset = numpy.arange(num_labels) * num_classeslabels_one_hot = numpy.zeros((num_labels, num_classes))labels_one_hot.flat[index_offset + labels_dense.ravel()] = 1return labels_one_hot@deprecated(None, 'Please use tf.data to implement this functionality.')
def _extract_labels(f, one_hot=False, num_classes=10):"""Extract the labels into a 1D uint8 numpy array [index].Args:f: A file object that can be passed into a gzip reader.one_hot: Does one hot encoding for the result.num_classes: Number of classes for the one hot encoding.Returns:labels: a 1D uint8 numpy array.Raises:ValueError: If the bystream doesn't start with 2049."""print('Extracting', f.name)with gzip.GzipFile(fileobj=f) as bytestream:magic = _read32(bytestream)if magic != 2049:raise ValueError('Invalid magic number %d in MNIST label file: %s' %(magic, f.name))num_items = _read32(bytestream)buf = bytestream.read(num_items)labels = numpy.frombuffer(buf, dtype=numpy.uint8)if one_hot:return _dense_to_one_hot(labels, num_classes)return labelsclass _DataSet(object):"""Container class for a _DataSet (deprecated).THIS CLASS IS DEPRECATED."""@deprecated(None, 'Please use alternatives such as official/mnist/_DataSet.py'' from tensorflow/models.')def __init__(self,images,labels,fake_data=False,one_hot=False,dtype=dtypes.float32,reshape=True,seed=None):"""Construct a _DataSet.one_hot arg is used only if fake_data is true.  `dtype` can be either`uint8` to leave the input as `[0, 255]`, or `float32` to rescale into`[0, 1]`.  Seed arg provides for convenient deterministic testing.Args:images: The imageslabels: The labelsfake_data: Ignore inages and labels, use fake data.one_hot: Bool, return the labels as one hot vectors (if True) or ints (ifFalse).dtype: Output image dtype. One of [uint8, float32]. `uint8` output hasrange [0,255]. float32 output has range [0,1].reshape: Bool. If True returned images are returned flattened to vectors.seed: The random seed to use."""seed1, seed2 = random_seed.get_seed(seed)# If op level seed is not set, use whatever graph level seed is returnednumpy.random.seed(seed1 if seed is None else seed2)dtype = dtypes.as_dtype(dtype).base_dtypeif dtype not in (dtypes.uint8, dtypes.float32):raise TypeError('Invalid image dtype %r, expected uint8 or float32' %dtype)if fake_data:self._num_examples = 10000self.one_hot = one_hotelse:assert images.shape[0] == labels.shape[0], ('images.shape: %s labels.shape: %s' % (images.shape, labels.shape))self._num_examples = images.shape[0]# Convert shape from [num examples, rows, columns, depth]# to [num examples, rows*columns] (assuming depth == 1)if reshape:assert images.shape[3] == 1images = images.reshape(images.shape[0],images.shape[1] * images.shape[2])if dtype == dtypes.float32:# Convert from [0, 255] -> [0.0, 1.0].images = images.astype(numpy.float32)images = numpy.multiply(images, 1.0 / 255.0)self._images = imagesself._labels = labelsself._epochs_completed = 0self._index_in_epoch = 0@propertydef images(self):return self._images@propertydef labels(self):return self._labels@propertydef num_examples(self):return self._num_examples@propertydef epochs_completed(self):return self._epochs_completeddef next_batch(self, batch_size, fake_data=False, shuffle=True):"""Return the next `batch_size` examples from this data set."""if fake_data:fake_image = [1] * 784if self.one_hot:fake_label = [1] + [0] * 9else:fake_label = 0return [fake_image for _ in xrange(batch_size)], [fake_label for _ in xrange(batch_size)]start = self._index_in_epoch# Shuffle for the first epochif self._epochs_completed == 0 and start == 0 and shuffle:perm0 = numpy.arange(self._num_examples)numpy.random.shuffle(perm0)self._images = self.images[perm0]self._labels = self.labels[perm0]# Go to the next epochif start + batch_size > self._num_examples:# Finished epochself._epochs_completed += 1# Get the rest examples in this epochrest_num_examples = self._num_examples - startimages_rest_part = self._images[start:self._num_examples]labels_rest_part = self._labels[start:self._num_examples]# Shuffle the dataif shuffle:perm = numpy.arange(self._num_examples)numpy.random.shuffle(perm)self._images = self.images[perm]self._labels = self.labels[perm]# Start next epochstart = 0self._index_in_epoch = batch_size - rest_num_examplesend = self._index_in_epochimages_new_part = self._images[start:end]labels_new_part = self._labels[start:end]return numpy.concatenate((images_rest_part, images_new_part),axis=0), numpy.concatenate((labels_rest_part, labels_new_part), axis=0)else:self._index_in_epoch += batch_sizeend = self._index_in_epochreturn self._images[start:end], self._labels[start:end]@deprecated(None, 'Please write your own downloading logic.')
def _maybe_download(filename, work_directory, source_url):"""Download the data from source url, unless it's already here.Args:filename: string, name of the file in the directory.work_directory: string, path to working directory.source_url: url to download from if file doesn't exist.Returns:Path to resulting file."""if not gfile.Exists(work_directory):gfile.MakeDirs(work_directory)filepath = os.path.join(work_directory, filename)if not gfile.Exists(filepath):urllib.request.urlretrieve(source_url, filepath)with gfile.GFile(filepath) as f:size = f.size()print('Successfully downloaded', filename, size, 'bytes.')return filepath@deprecated(None, 'Please use alternatives such as:'' tensorflow_datasets.load(\'mnist\')')
def read_data_sets(train_dir,fake_data=False,one_hot=False,dtype=dtypes.float32,reshape=True,validation_size=5000,seed=None,source_url=DEFAULT_SOURCE_URL):if fake_data:def fake():return _DataSet([], [],fake_data=True,one_hot=one_hot,dtype=dtype,seed=seed)train = fake()validation = fake()test = fake()return _Datasets(train=train, validation=validation, test=test)if not source_url:  # empty string checksource_url = DEFAULT_SOURCE_URLtrain_images_file = 'train-images-idx3-ubyte.gz'train_labels_file = 'train-labels-idx1-ubyte.gz'test_images_file = 't10k-images-idx3-ubyte.gz'test_labels_file = 't10k-labels-idx1-ubyte.gz'local_file = _maybe_download(train_images_file, train_dir,source_url + train_images_file)with gfile.Open(local_file, 'rb') as f:train_images = _extract_images(f)local_file = _maybe_download(train_labels_file, train_dir,source_url + train_labels_file)with gfile.Open(local_file, 'rb') as f:train_labels = _extract_labels(f, one_hot=one_hot)local_file = _maybe_download(test_images_file, train_dir,source_url + test_images_file)with gfile.Open(local_file, 'rb') as f:test_images = _extract_images(f)local_file = _maybe_download(test_labels_file, train_dir,source_url + test_labels_file)with gfile.Open(local_file, 'rb') as f:test_labels = _extract_labels(f, one_hot=one_hot)if not 0 <= validation_size <= len(train_images):raise ValueError('Validation size should be between 0 and {}. Received: {}.'.format(len(train_images), validation_size))validation_images = train_images[:validation_size]validation_labels = train_labels[:validation_size]train_images = train_images[validation_size:]train_labels = train_labels[validation_size:]options = dict(dtype=dtype, reshape=reshape, seed=seed)train = _DataSet(train_images, train_labels, **options)validation = _DataSet(validation_images, validation_labels, **options)test = _DataSet(test_images, test_labels, **options)return _Datasets(train=train, validation=validation, test=test)

二、解决报错ModuleNotFoundError: No module named ‘tensorflow.contrib‘

问题：在TensorFlow2.x版本已经不能使用contrib包

三、安装onnx报错assert CMAKE, ‘Could not find “cmake“ executable!‘

经过百度，查得：安装onnx需要protobuf编译所以安装前需要安装protobuf。

四、ImportError: cannot import name 'builder' from 'google.protobuf.internal'

问题：当运行torch转onnx的代码时，出现ImportError: cannot import name 'builder' from 'google.protobuf.internal'，如下图：

原因：由于使用的google.protobuf版本太低而引起的。在较新的版本中，builder模块已经移动到了google.protobuf包中，而不再在google.protobuf.internal中。

解决办法：升级protobuf库

pip install --upgrade protobuf

五、解决ModuleNotFoundError: No module named 'sklearn'

问题：sklearn第三方库安装失败

原因：查看别人库的列表，发现sklearn的包名是scikit-learn

解决：安装scikit-learn，

pip install  -i https://pypi.tuna.tsinghua.edu.cn/simple scikit-learn

六、解决AttributeError: module ‘torch._C‘ has no attribute ‘_cuda_setDevice‘

网上查询原因：说我安装的torch是适合CPU的，而不是适合GPU的。于是我查询pytorch版本情况，代码如下，

import torch
torch.cuda.is_available()

结果是False。

显而易见，环境使用的是CPU版本的torch，但是我仔细检查了一下我安装的命令，如下

解决：下载三个安装包，适合GPU版本的，

可以参考这篇(1条消息) GPU版本安装Pytorch教程最新方法_pytorch gpu_水w的博客-CSDN博客

然后分别pip install 他们，这样就能够安装适合GPU版本的torch了。

七、解决ImportError: Missing optional dependency 'pytables'.  Use pip or conda to install pytables.

问题：运行py文件报错

解决历程：按照提示安装pytables,"pip install pytables"安装失败，然后试了"pip install tables"安装上了。

 重新运行代码，发现就不报错了。

八、解决AttributeError: module ‘distutils’ has no attribute ‘version’.

问题： AttributeError: module ‘distutils’ has no attribute ‘version’.

解决： setuptools版本问题”，版本过高导致的问题；setuptools版本

  • 第一步： pip uninstall setuptools【使用pip，不能使用 conda uninstall setuptools ; 【不能使用conda的命令，原因是，conda在卸载的时候，会自动分析与其相关的库，然后全部删除，如果y的话，整个环境都需要重新配置。
  • 第二步： pip或者conda install setuptools==59.5.0【现在最新的版本已经到了65了，之前的老版本只是部分保留，找不到的版本不行

然后重新运行了代码，发现没有报错了。

 

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/1336.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

ARM-SWI 和未定义指令异常中断处理程序的返回(七)

ARM-SWI 和未定义指令异常中断处理程序的返回(七)

文章目录 处理流程示例代码实现SWI未定义指令 附录源码 处理流程 SWI 和未定义指令异常中断是由当前执行的指令自身产生的&#xff0c;当 SWI 和未定义指令异常中断产生时&#xff0c;程序计数器的 PC 的值还未更新&#xff0c;它指向当前指令后面第 2 条指令&#xff08;对于…
阅读更多...
【算法题】动态规划中级阶段之最长回文子串、括号生成、跳跃游戏

【算法题】动态规划中级阶段之最长回文子串、括号生成、跳跃游戏

动态规划中级阶段 前言一、最长回文子串1.1、思路1.2、代码实现 二、括号生成2.1、思路2.2、代码实现 三、跳跃游戏 II3.2、思路3.2、代码实现 总结 前言 动态规划&#xff08;Dynamic Programming&#xff0c;简称 DP&#xff09;是一种解决多阶段决策过程最优化问题的方法。…
阅读更多...
香港大学推出创新科技教育基金，拟支持Web3和生成式AI等领域教学

香港大学推出创新科技教育基金，拟支持Web3和生成式AI等领域教学

区块链技术是近年来备受关注的领域之一,其应用范围已经涵盖了金融、医疗、物流等众多行业。而随着区块链技术的不断发展和完善&#xff0c;越来越多的企业和机构开始将其应用到实际生产和业务中。作为其中一个重要的应用领域&#xff0c;金融领域也成为了区块链技术的重要应用场…
阅读更多...
3-css高级特效-1

3-css高级特效-1

01-平面转换 简介 作用&#xff1a;为元素添加动态效果&#xff0c;一般与过渡配合使用 概念&#xff1a;改变盒子在平面内的形态&#xff08;位移、旋转、缩放、倾斜&#xff09; 平面转换也叫 2D 转换&#xff0c;属性是 transform 平移 transform: translate(X轴移动距…
阅读更多...
Linux——进程通信之共享内存

Linux——进程通信之共享内存

目录 一. 回顾上文 二.共享内存 1.定义 2.特点&#xff1a; 3.实现步骤&#xff1a; 如下为成功链接共享内存使用权的完整步骤&#xff1a; 4.函数介绍 4.1shmget函数 4.1.2参数介绍 4.2ftok函数&#xff1a; 4.2.1参数介绍 关于ftok(); shmget();函数的代码实验…
阅读更多...
【吃透网络安全】2023软考网络管理员考点网络安全（三）计算机系统安全评估

【吃透网络安全】2023软考网络管理员考点网络安全（三）计算机系统安全评估

涉及知识点 计算机系统安全评估准则&#xff0c;计算机系统安全评估历史&#xff0c;软考网络管理员常考知识点&#xff0c;软考网络管理员网络安全&#xff0c;网络管理员考点汇总。 后面还有更多续篇希望大家能给个赞哈&#xff0c;这边提供个快捷入口&#xff01; 第一节…
阅读更多...
Java版工程项目管理系统源码 工程项目源码

Java版工程项目管理系统源码 工程项目源码

数 据 库&#xff1a; MySQL 开发语言&#xff1a; Java 开发工具&#xff1a; MyEclipse 源码类型&#xff1a; WebForm 以甲方项目管理为中心&#xff0c;包括项目启动、计划、执行、控制与收尾阶段的全生命周期管理&#xff0c;并对范围、预…
阅读更多...
【数据库课设】图书馆资源管理系统 源码+流程图+结构设计（借还图书 逾期罚款 图书管理 读者管理 信息查询）python实现

【数据库课设】图书馆资源管理系统 源码+流程图+结构设计（借还图书 逾期罚款 图书管理 读者管理 信息查询）python实现

文章目录 一 实现功能&#xff08;1&#xff09;管理员功能&#xff08;2&#xff09;读者功能 二 数据流图三 概念结构设计四 文件目录五 源码&#xff1a;main.py六 运行截图 一 实现功能 &#xff08;1&#xff09;管理员功能 一个管理员编号对应一个密码&#xff0c;且需…
阅读更多...
drone、gogs、docker与项目集成实现自动化部署

drone、gogs、docker与项目集成实现自动化部署

目录 前言项目目录结构目录结构测试文件 文件内容Dockerfilerun.shdrone.yml 测试打包部署中查看容器访问项目成功 常见问题Gogs 推送 URL 被解析到默认禁用的本地网络地址1、drone登录没有权限2、cannot ping the remote server3、推送代码以后不能自动clone4、maven编译报错F…
阅读更多...
网络安全合规-网络安全工程师（一）

网络安全合规-网络安全工程师（一）

网络安全工程师的工作种类很多&#xff0c;当前这个图片说明了具体的工程师的工作种类有哪些&#xff0c;列举了一下。 互联网时代网络及科技迅速发展&#xff0c;随之而来的首要问题就是网络安全&#xff0c;因为已经出现的网络问题带来了巨大的经济损失&#xff0c;甚至各种…
阅读更多...
设计模式-工厂模式

设计模式-工厂模式

工厂模式 1、工厂模式简介2、工厂模式实现 1、工厂模式简介 工厂模式(Factory Pattern)是最常见的设计模式&#xff0c;该模式属于创建型模式&#xff0c;它提供了一种简单、快速、高效且安全创建对象的方式。工厂模式在接口中定义了创建对象的方法&#xff0c;而将创建对象的具…
阅读更多...
设计模式-＞观察者设计模式和订阅者发布者设计模式的区别

设计模式-＞观察者设计模式和订阅者发布者设计模式的区别

设计模式->观察者设计模式和订阅者发布者设计模式的区别 一、先复习一下观察者设计模式的相关定义,优点,以及缺点1.定义观察者模式的三个典型例子 2.优点3.缺点4.观察者设计模式的主要角色5.代码举例完整代码 二、回答问题:观察者设计模式和订阅者发布者设计模式的区别 一、…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023