Índice
1. Resolva o erro ModuleNotFoundError: No module named 'tensorflow.examples
2. Resolva o erro ModuleNotFoundError: No module named 'tensorflow.contrib'
3. Instale o erro onnx assert CMAKE, 'Não foi possível encontrar o executável "cmake"!'
四、ImportError: não é possível importar o nome 'builder' de 'google.protobuf.internal'
5. Resolva ModuleNotFoundError: Nenhum módulo chamado 'sklearn'
六、解决AttributeError: module 'torch._C' has no attribute '_cuda_setDevice'
八、解决AttributeError: módulo 'distutils' não tem atributo 'version'.
1. Resolva o erro ModuleNotFoundError: No module named 'tensorflow.examples
Nota: Não descompacte o conjunto de dados MNIST após o download, apenas coloque-o na pasta mnist_data e leia-o.
Pergunta : Estou usando o tensorflow para fazer o caso do conjunto de dados mnist e um erro é relatado.
Razão : Não há exemplos no tensorflow.
Solução : (1) Primeiro encontre o arquivo correspondente ao tensorflow. O meu está em D:\python3\Lib\site-packages\tensorflow (diretório de instalação do python), entre na pasta tensorflow e descubra que não há pasta de exemplos.
Podemos entrar no github para baixar: mirrors / tensorflow / tensorflow GitCode .
(2) Após a conclusão do download, copie a pasta de exemplos no diretório \tensorflow-master\tensorflow\ para a pasta local do tensorflow e execute o código novamente.
(3) Posteriormente, constatou-se que o problema ainda não foi resolvido, e constatou-se que a pasta de tutoriais estava faltando nos exemplos. Este arquivo não foi encontrado no github oficial e foi baixado de outros blogueiros.
Endereço de download: disco de rede Baidu, digite o código de extração
Código de extração: cxy7
(4) Mas o problema ainda não foi resolvido...
O blogueiro anterior deveria estar usando a versão tf1.0. Consulte os métodos de outros blogueiros para resolver o problema.
- Crie um novo arquivo input_data.py no projeto, copie o conteúdo de input_data.py em mnist na pasta de tutoriais para o arquivo,
- Em seguida, importe input_data no arquivo principal.
O conteúdo do arquivo input_data.py é colocado abaixo, e você mesmo pode obtê-lo se precisar.
# 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_function
import collections
import gzip
import os
import numpy
from six.moves import urllib
from six.moves import xrange # pylint: disable=redefined-builtin
from 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_classes
labels_one_hot = numpy.zeros((num_labels, num_classes))
labels_one_hot.flat[index_offset + labels_dense.ravel()] = 1
return 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 labels
class _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 images
labels: The labels
fake_data: Ignore inages and labels, use fake data.
one_hot: Bool, return the labels as one hot vectors (if True) or ints (if
False).
dtype: Output image dtype. One of [uint8, float32]. `uint8` output has
range [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 returned
numpy.random.seed(seed1 if seed is None else seed2)
dtype = dtypes.as_dtype(dtype).base_dtype
if dtype not in (dtypes.uint8, dtypes.float32):
raise TypeError('Invalid image dtype %r, expected uint8 or float32' %
dtype)
if fake_data:
self._num_examples = 10000
self.one_hot = one_hot
else:
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] == 1
images = 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 = images
self._labels = labels
self._epochs_completed = 0
self._index_in_epoch = 0
@property
def images(self):
return self._images
@property
def labels(self):
return self._labels
@property
def num_examples(self):
return self._num_examples
@property
def epochs_completed(self):
return self._epochs_completed
def 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] * 784
if self.one_hot:
fake_label = [1] + [0] * 9
else:
fake_label = 0
return [fake_image for _ in xrange(batch_size)
], [fake_label for _ in xrange(batch_size)]
start = self._index_in_epoch
# Shuffle for the first epoch
if 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 epoch
if start + batch_size > self._num_examples:
# Finished epoch
self._epochs_completed += 1
# Get the rest examples in this epoch
rest_num_examples = self._num_examples - start
images_rest_part = self._images[start:self._num_examples]
labels_rest_part = self._labels[start:self._num_examples]
# Shuffle the data
if shuffle:
perm = numpy.arange(self._num_examples)
numpy.random.shuffle(perm)
self._images = self.images[perm]
self._labels = self.labels[perm]
# Start next epoch
start = 0
self._index_in_epoch = batch_size - rest_num_examples
end = self._index_in_epoch
images_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_size
end = self._index_in_epoch
return 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 check
source_url = DEFAULT_SOURCE_URL
train_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)
2. Resolva o erro ModuleNotFoundError: No module named 'tensorflow.contrib'
Problema : o pacote contrib não pode ser usado na versão TensorFlow2.x
3. Instale o erro onnx assert CMAKE, 'Não foi possível encontrar o executável "cmake"!'
Depois do Baidu, descobri: a instalação do onnx requer a compilação do protobuf, então o protobuf precisa ser instalado antes da instalação.
四、ImportError: não é possível importar o nome 'builder' de 'google.protobuf.internal'
Problema : Ao rodar a tocha para o código onnx, aparece ImportError: cannot import name 'builder' from 'google.protobuf.internal', conforme abaixo:
Causagoogle.protobuf : Causado pelo uso de uma versão muito baixa. Nas versões mais recentes, builderos módulos foram movidos para google.protobufpacotes e não estão mais no formato google.protobuf.internal.
Solução : atualize a biblioteca protobuf
pip install --upgrade protobuf5. Resolva ModuleNotFoundError: Nenhum módulo chamado 'sklearn'
Problema : falha na instalação da biblioteca de terceiros do sklearn
Razão : verifique a lista de outras bibliotecas e descubra que o nome do pacote sklearn é scikit-learn
Solução : instale o 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'
O motivo da consulta online : dizem que a tocha que instalei é adequada para CPUs, não para GPUs. Então perguntei sobre a versão pytorch, o código é o seguinte,
import torch
torch.cuda.is_available()O resultado é falso.
Obviamente, o ambiente usa a versão da CPU da tocha, mas verifiquei novamente os comandos que instalei, da seguinte forma
Solução : Baixe três pacotes de instalação, adequados para a versão GPU,
Você pode consultar esta versão da GPU (1 mensagem) para instalar o método mais recente do tutorial Pytorch_pytorch gpu_水w的博客-CSDN博客
Em seguida, instale-os separadamente, para que você possa instalar a tocha adequada para a versão da GPU.
Baixar ImportError: dependência opcional 'pytables' ausente. Use pip ou conda para instalar pytables.
Problema : A execução do arquivo py relata um erro
Processo de solução : Siga as instruções para instalar pytables, "pip install pytables" falhou ao instalar e, em seguida, tentou "pip install tables" para instalá-lo.
Execute novamente o código e descubra que nenhum erro foi relatado.
八、解决AttributeError: módulo 'distutils' não tem atributo 'version'.
Problema : AttributeError: módulo 'distutils' não tem atributo 'version'.
Resolva : "problema de versão do setuptools", o problema causado pela versão é muito alto; versão do setuptools
- Passo 1: pip install setuptools [use pip, não conda uninstall setuptools; [não pode usar comandos conda, o motivo é que quando o conda desinstala, ele analisa automaticamente suas bibliotecas relacionadas e, em seguida, exclui todas, se y, todo o ambiente precisa ser reconfigurado.
- Etapa 2: pip ou conda install setuptools==59.5.0 [Agora a versão mais recente atingiu 65, a versão antiga anterior está apenas parcialmente reservada e a versão que não pode ser encontrada não funcionará
Em seguida, execute novamente o código e constate que nenhum erro foi relatado.
