tensorflow-TFRecord报错ValueError: Protocol message Feature has no "feature" field.

最新推荐文章于 2025-09-09 20:07:09 发布
最新推荐文章于 2025-09-09 20:07:09 发布
阅读量643 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： 数据结构与算法
原文链接：http://www.cnblogs.com/bestExpert/p/10546274.html
博客指出编写代码用TFRecord数据结构存储数据集信息时，会出现ValueError: Protocol message Feature has no \feature\ field.或类似错误，建议检查代码里是否有单词写错，一个单词错误就可能导致此类错误。

编写代码用TFRecord数据结构存储数据集信息是报错：ValueError: Protocol message Feature has no "feature" field.或和这个错误非常类似的错误。

请检查

features=tf.train.Features(feature={...}

里面有没有单子写错。如果有一个单词写错都会报和上面类似的错误



转载于:https://www.cnblogs.com/bestExpert/p/10546274.html

                

        




    

    
  



    

      

        

            

              
                
                  Just do it
                
              
            

            

                关注
              
            

        

        

          
      

      










                



	

		

			

				
					
LLMs之Chinese-LLaMA-Alpaca-2：源码解读(run_clm_pt_with_peft.py文件)—模型训练前置工作(参数解析+配置日志)→模型初始化(检测是否存在训练过的chec

				
			

			

				

					头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
				

				

					08-31
					
					1685
					
				

			

		

		

			
				
​
LLMs之Chinese-LLaMA-Alpaca-2：源码解读(run_clm_pt_with_peft.py文件)—模型训练前置工作(参数解析+配置日志)→模型初始化(检测是否存在训练过的checkpoint+加载预训练模型和tokenizer)→数据预处理(处理【标记化+分块】+切分txt数据集)→优化模型配置(模型量化+匹配模型vocabulary大小与tokenizer+初始化PEFT模型【LoRA】+CheckPointing等)→模型训练(继续训练+评估指标+自动保存中间训练结果)/模型评

			
		

	



                

            
              



	

		

			

				
					
LLM-项目详解-Chinese-LLaMA-AIpaca（二）：代码解读【①prompt指令制作、②合并分词器、③Lora模型与基础模型合并、③模型分片保存】

				
			

			

				

					u013250861的博客
				

				

					06-13
					
					1006
					
				

			

		

		

			
				
【代码】Chinese-LLaMA-AIpaca项目代码解读。

			
		

	



              


  
              

                


	

		

			

				
					
调试错误：ValueError: Protocol message Feature has no "feature" field.

				
			

			

				

					wzg2016的博客
				

				

					07-28
					
					2262
					
				

			

		

		

			
				
学习《Tensorflow：实战Google深度学习框架》过程中，在复现第7章 7.1节中的例子时出现错误

代码：


#-*-coding:utf-8-*-
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import numpy as np

##
def _int64_fe...

			
		

	





	

		

			

				
					
调试错误：ValueError: Protocol message Feature has no "feature" field ——将MNIST数据转换TFRecord程序报错经历

				
			

			

				

					Eric_Blog_优快云的博客
				

				

					05-26
					
					4551
					
				

			

		

		

			
				
在学习《Tensorflow：实战Google深度学习框架》，分享一下自己的出错经历。TFRecord 文件中的数据都是通过 tf.train.Example Protocol Buffer 的格式存储的。在7.1.2 样例程序，如下：import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnis...

			
		

	



		

			
		



	

		

			

				
					
tensorflow中TFRecord数据协议缓存区报错：ValueError:Protocol message Feature has no “features“ field

				
			

			

				

					Chenftli的博客
				

				

					07-30
					
					1858
					
				

			

		

		

			
				
tf.train.Example 是协议缓冲区(protocol buffer，协议缓冲区包含了特征 Features)


example=tf.train.Example(features=tf.train.Features(
                feature={
                "image":tf.train.Feature(bytes_list=tf.tra...

			
		

	





	

		

			

				
					
Model Context Protocol (MCP) 简介

				
			

			

				

					AI天才研究院
				

				

					05-11
					
					448
					
				

			

		

		

			
				
Model Context Protocol (MCP) 是一个开放协议，旨在标准化应用程序如何为大型语言模型（LLMs）提供上下文。MCP 类似于 AI 应用的 USB-C 接口，提供了一种标准化的方式，将 AI 模型连接到不同的数据源和工具。MCP 的核心架构采用客户端-服务器模式，主机应用程序可以连接到多个服务器，访问本地和远程数据源。MCP 提供了预构建的集成、灵活的 LLM 供应商切换以及数据安全的最佳实践。开发者可以根据需求选择快速入门指南，构建自己的服务器或客户端，或使用预构建的服务器。MCP

			
		

	





	

		

			

				
					
Opencv maskrcnn（三）TensorFlow Object Detection API 训练 maskrcnn

				
			

			

				

					YL950305的博客
				

				

					12-07
					
					702
					
				

			

		

		

			
				
文章目录前言1. json转record文件1.1二、使用步骤1.引入库2.读入数据总结
前言

1. json转record文件
1.1
二、使用步骤
1.引入库
代码如下（示例）：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import  ssl
ssl._cre

			
		

	





	

		

			

				
					
python每日一错——Protocol message RewriterConfig has no "layout_optimizer" field

				
			

			

				

					谦与谦寻的神隐
				

				

					01-29
					
					1958
					
				

			

		

		

			
				
在使用tensorflow官方附带的object_detector项目时，经过了千辛万苦终于训练好了模型，但是当调用“models/research/object_detection/export_inference_graph.py”输出训练模型pb文件时，却遇到了
ValueError: Protocol message RewriterConfig has no "layout_optim

			
		

	





	

		

			

				
					
最新 SecureCRT_6.7.4 x86破解方法（教程 + 注册机）

				
			

			

				

					08-14
				

			

		

		

			
				
■■■■■■■■■■■■■■■■■■■■
■■■■■■■■■■■■■■■■■■■■

首先说明：

1、绿色无毒，亲测可用，放心使用，分享万岁

2、找了好久，终于可用

3、secureCRT_6.7.4.354 可以自己到官网下载
   也可以用我下载的（无毒）

4、注册机无毒（之前我找的注册机，被查杀了。
   但这个没的哦。大家可以去在杀毒。
   
   提供一个在线杀毒网址（里面有很多杀毒软件）

   http://r.virscan.org/report/5f784624d930eb5b75cbcc7112876edc.html

（这个是我杀毒留下的日志，可以查看一下，是不是没有毒哦）

   http://www.virscan.org/（自己上传注册机，杀毒就可以了）

---------------------------------------
文件名称 :	  secureCRT_6.7.4.354.exe （本站不提供任何文件的下载服务）
文件大小 :	  16296112 byte
文件类型 :	  PE32 executable for MS Windows (GUI) Intel 80386 32-bit
MD5 :	  	  dba0a9f69dd227e147beec161d29785a
SHA1 :	  	  5e67b0759c598d382fba9430324f140150ef53af

---------------------------------------

■■■■■■■■■■■■■■■■■■■■
■■■■■■■■■■■■■■■■■■■■

测试版本：SecureCRT 6.7.4

软件首页：SecureCRT (non-integrated)
下载地址：http://www.vandyke.com/download/securecrt/download.html

帐号密码：zhanqi0404@163.com/zhanqi0404

注册机：SecureCRT.v.6.X-kg

■■■■■■■■■■■■■■■■■■■■
■■■■■■■■■■■■■■■■■■■■

注册步骤：

1：安装 SecureCRT

2：复制 SecureCRT.6.X.Keygen.exe 到 SecureCRT 安装目录

3：启动注册机，输入注册信息，随便输入用户和公司，点击 Patch

4：点击 Generate，生成序列号跟 Licence

5：启动 SecureCRT，按照步骤输入注册信息

6：完成注册

7、”features:(leave blank if license has no features“这个地方不用填写，否则完成不了

■■■■■■■■■■■■■■■■■■■■
■■■■■■■■■■■■■■■■■■■■

备注说明：

我安装时候，缺水一个mfc100u.dll文件，搜索后再站长网（admin5.com）下载的

其它网站不放心哦。

没发现其它问题。

2013.8.14

■■■■■■■■■■■■■■■■■■■■
■■■■■■■■■■■■■■■■■■■■

			
		

	





	

		

			

				
					
protobuf一些注意事项

				
			

			

				

					weixin_34220834的博客
				

				

					02-06
					
					670
					
				

			

		

		

			
				
2019独角兽企业重金招聘Python工程师标准>>>   
                                        
         ...

			
		

	





	

		

			

				
					
python fields函数_protobuf的HasField函数需要哪些参数？

				
			

			

				

					weixin_39753211的博客
				

				

					12-10
					
					1516
					
				

			

		

		

			
				
考虑以下结构message Fly {uint32 dtime = 1;}但是HasField函数不起作用：>>> d.ListFields()[0][0].name'dtime'>>> d.ListFields()[0][0].full_name'Fly.dtime'>>>>>> d.HasField('dtime')Tra...

			
		

	





	

		

			

				
					
随机过程积累

				
			

			

				

					Eric_Blog_优快云的博客
				

				

					04-06
					
					798
					
				

			

		

		

			
				
1、对于两个随机变量，X1，X2，想要描述其关系，可以定义距离，即  相关。
2、随机变量距离采用，最小均方距离
3、相关大，均方距离小；相关小，均方距离大。
4、（自）相关函数是一个二元函数，并且一定是正定的。
5、宽平稳随机过程：t、s时刻做相关  =  t+m、s+m时刻做相关，相关函数仅仅与两个时刻的差有关。
6、宽平稳随机过程的相关函数 退化成一元函数
7、宽平稳随机过程的相

			
		

	





	

		

			

				
					
Python3.5 使用 protobuf3.0.0.beta2

				
			

			

				

					dodouaj的专栏
				

				

					03-11
					
					1万+
					
				

			

		

		

			
				
上个月使用它的时候遇见一个exception：

Assignment not allowed to repeated field '
                     '"%s" in protocol message object.

是google/protobuf/internal/python_message.py中报的错。
触发异常的位置

# We define

			
		

	





	

		

			

				
					
tensorflow使用GPU训练时的显存占用问题

					
热门推荐

				
			

			

				

					sunwuhuang1的博客
				

				

					12-30
					
					6万+
					
				

			

		

		

			
				
最近用GoogleNet （inception-v3）做fine-tune训练时，遇到了一个问题。当我选择单个GPU训练时候，服务器中所有的GPU显存都会被占满，如下图所示：


    出现以上问题的原因是tensorflow在训练时默认占用所有GPU的显存。
    可以通过以下方式解决该问题：
1、在构造tf.Session()时候通过传递tf.GPUOptions作为可选配置参数

			
		

	





	

		

			

				
					
TensorFlow物体检测网络模型加载过程

				
			

			

				

					Max
				

				

					03-11
					
					869
					
				

			

		

		

			
				
了解程序加载模型的具体细节
模型训练的主文件是train.py。在该文件中通过
model_config, train_config, input_config = get_configs_from_pipeline_file()

获取配置文件的信息，其中是调用protobuf进行文件解析。
分别得到model_config, train_config, input_config三个配置文件（训...

			
		

	





	

		

			

				
					
二叉树的前中后序遍历(迭代法)

				
			

			

				

					mrjieke6的博客
				

				

					09-07
					
					1203
					
				

			

		

		

			
				
本文系统介绍了二叉树前序、中序和后序遍历的迭代实现方法。前序遍历采用栈结构，按;根→右→左 ;顺序入栈；中序遍历先全部左子树入栈再访问节点；后序遍历则通过修改前序遍历顺序为"根→右→左 ;后反转结果。三种遍历时间复杂度均为O(n)，空间复杂度最坏O(n)。与递归实现相比，迭代方法避免了栈溢出风险，处理大型树更稳定。每种遍历方式都配有详细代码解析、执行示例和复杂度分析，并讨论了实际应用场景，为掌握树结构操作提供了系统指导。

			
		

	





	

		

			

				
					
每日算法刷题Day67:9.9:leetcode bfs10道题，用时2h30min

					
最新发布

				
			

			

				

					2301_80044595的博客
				

				

					09-09
					
					545
					
				

			

		

		

			
				
2.与[[十.图论算法-基础遍历#3. 1162. 地图分析(中等,学习)]]一模一样，找每个1到各自最近的0的最短距离，即多源最短路径距离，所以将所有0入队列，向四周扩散，告诉1已经扩散的层数，即距离。所以要反过来，将所有满足条件的点当做多个源点，向外扩散，从而告诉待求点当前扩散的层数，即最短距离。，是Dijkstra算法，但因为边权只有0和1，所以用0-1BFS来优化Dijkstra，双端队列队首入0，队尾入1，保证每次队首都是边权(代价)最小的。的视频包含所有你好友的好友观看过的视频，以此类推。

			
		

	





	

		

			

				
					
glm4-9b-chat报错ValueError: too many values to unpack (expected 2)

				
			

			

				

					04-01
				

			

		

		

			
				
### GLM4-9B-Chat 模型运行时出现 `ValueError: too many values to unpack (expected 2)` 的解决方案

当遇到 `ValueError: too many values to unpack (expected 2)` 错误时，通常是因为代码中的某些部分试图解包过多的值。以下是针对此问题的具体分析和解决方法：

#### 1. **检查模型加载逻辑**
   如果是在加载 ChatGLM 3 或其他大语言模型时出现问题，则可能是由于数据结构或返回值的数量不符合预期所致[^1]。  
   - 确认模型加载函数是否正确配置。
   - 查看是否有额外的数据被传递给变量分配。

#### 2. **Django 项目的上下文中排查**
   若该错误发生在 Django 项目中，通常是由于视图、模板或其他组件中的元组拆分操作不当引起的[^2]。  
   - 审查涉及元组赋值的部分代码。
   - 确保右侧表达式的长度与左侧变量数量一致。

#### 3. **确认依赖库版本一致性**
   对于像 GLM-4 这样的大型预训练模型，其正常工作高度依赖特定版本的 Python 库。如果使用的库版本过旧或者存在冲突，可能会引发此类异常[^3]。因此建议：
   - 更新到最新版的相关框架和支持工具。
     ```bash
     pip install --upgrade glm llama-factory transformers torch
     ```

#### 4. **验证输入参数合法性**
   参考案例表明，在使用 Llama Factory 加载并调整 GLM4-9B-Chat 参数期间也可能触发类似的错误消息[^4]。这往往意味着传入的超参设置有问题或者是接口定义发生了变化却没有同步修改调用方实现。故而应当仔细核对官方文档说明以及实际编码情况是否存在偏差。

```python
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("path/to/glm-model")
model = AutoModelForCausalLM.from_pretrained("path/to/glm-model")

# Example of correct tuple assignment during tokenization process.
input_ids = tokenizer.encode("Your input text here.", return_tensors="pt")[0]
print(input_ids.shape)
```

上述脚本展示了如何利用 Hugging Face 提供的 API 正确初始化一个因果语言建模实例，并演示了一个简单的张量转换过程来避免潜在的多值分解陷阱。

---

###

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

  
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值