关于python网络编程pickle 中 unpickling error 处理

最新推荐文章于 2025-06-11 21:50:21 发布

原创最新推荐文章于 2025-06-11 21:50:21 发布 · 2.1k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#python #网络编程

python 专栏收录该内容

5 篇文章

订阅专栏

博客指出在Python网络编程接收端设置接收数据数量时，使用变量会报错。如'receiver = serverSocket.recvfrom(mss)'，需将变量mss（最大报文段长度）改为具体数量，像'receiver = serverSocket.recvfrom(1024)'。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在接收端要设置接收数据的数量，如果用变量将会报错：
例如：receiver = serverSocket.recvfrom(mss) 要将变量mss（最大报文段长度）改成具体数量
如： receiver = serverSocket.recvfrom(1024)

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

data engineer

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

python - 文件 / 永久存储：pickle / 异常处理

weixin_49303682的博客

07-07

520

默认打开模式是’rt’，也就是只读和文本模式。打开模式：文件对象的方法：read函数：可以直接将文件对象转换为list这里打印出来的f是空的，具体原因待验证。os模块：模块是包含你所定义的所有的函数和变量的文件，其后缀名是.py。模块可以被别的程序引入，以使用该模块中的函数等功能。OS：Operating System操作系统OS模块中关于文件/目录常用的函数使用方法os.path模块os.path模块中关于路径常用的函数使用办法以下为函数返回True或False。

遇到错误提示_pickle.UnpicklingError: unpickling stack underflow解决办法

weixin_43249462的博客

01-06

2039

评论区大神@滨海小树 AI 给的解决方案，仅标记提示自己哈~

参与评论您还未登录，请先登录后发表或查看评论

【PyTorch 踩坑日记】50 系显卡 + CUDA 12.8 + PyTorch 2.8 下加载模型报错 _pickle.UnpicklingError 的终极解决方案

qq_43356449的博客

04-13

6568

PyTorch 2.6 引入机制是出于安全考虑老模型容易踩坑，建议明确传参或手动配置白名单CUDA 12.8 是未来趋势，MMDetection、MMCV 都要使用新版 PyTorch强烈建议使用 conda 管理环境、使用 OpenMIM 安装 mmcv。

Python multiprocess pool模块报错pickling error问题解决方法分析

09-19

主要介绍了Python multiprocess pool模块报错pickling error问题解决方法,结合实例形式分析了multiprocess pool模块报错pickling error的原因与解决方法,需要的朋友可以参考下

yolov10m.pt 报错 raise pickle.UnpicklingError(_get_wo_message(str(e))) from None_pickle.Unpicklin

最新发布

yay0916的博客

06-11

1034

这意味着默认情况下，PyTorch 只会加载模型的权重，而不加载其他可能包含恶意代码的内容。因此，当你尝试加载 YOLO 模型时，可能会遇到。使用yolov10m.onnx 可以正常使用，但是onnx 不可以自己训练，所以改用.pt ，出现报错。我使用的YOLOv10来加载模型，但是换汤不换药，找到tasks.py。在 PyTorch 2.6 中，，并且模型的全局引用。

_pickle.UnpicklingError: unpickling stack underflow

qq_38156104的博客

10-21

1万+

参考于: linux载入pytorch的预训练模型时遇到_pickle.UnpicklingError: unpickling stack underflow https://blog.csdn.net/InkBamboo920/article/details/107434244 Bug 想要下载预训练模型resnet18时，遇到了以下报错，这个解决方案也适合与其他下载骨干网络未完成，导致的此问题 Traceback (most recent call last): ... magic_numb

载入pytorch的预训练模型时遇到_pickle.UnpicklingError: unpickling stack underflow

weixin_46604291的博客

05-21

5899

转载自https://blog.csdn.net/iteapoy/article/details/106193500

python在使用pickle反序列化时报错：_pickle.UnpicklingError: pickle data was truncated

留饮浮生的博客

07-12

5397

pickle反序列化时数据被截断

Python序列化---Pickle模块【大量数据的情况下，如何提高Python读写数据的速度？】...

Blank_Space

05-27

5134

点击上方“潜心的Python小屋”关注我们，第一时间推送优质文章。前言大家好，我是潜心。最近在复现2018年阿里提出的CTR预估模型---DIN，关于原生数据的处理以及数据集的构建，因为...

python在使用pickle反序列化时报错：数据被截断，无法进行反序列化

qq_42816922的博客

12-05

5757

python的序列化和反序列化之pickle pickle模块实现了用于序列化和反序列化Python对象结构的二进制协议。 “Pickling”是将Python对象层次结构转换为字节流的过程， “unpickling”是反向操作，从而将字节流（来自二进制文件或类似字节的对象）转换回对象层次结构。 pickle是python特有的，只能用于python，不能拓展到其他语言，序列化的结果是字节类型，也可以在协议选项中选择二进制；json则类似于一种通用的模块，在其他语言中也可正常使用，序列化的结果是字符串。 p

yolo报错pickle.PicklingError: Can't pickle

03-20

在 YOLO 模型训练或推理过程中，如果出现 `pickle.PicklingError` 错误，则通常是因为某些对象无法被序列化。以下是针对该问题的详细分析和解决方案： ### 可能原因 1. **不可序列化的对象** 如果尝试保存的对象...

linux载入pytorch的预训练模型时遇到_pickle.UnpicklingError: unpickling stack underflow

⚡

05-18

1万+

由于先前已经缓存了resnet101模型的一部分，但是没有缓存完毕，导致临时文件夹中存在部分不完整的模型，载入失败。解决方法是删除原来临时文件夹中的resnet101模型，并且记得定义新的临时文件夹，再次运行代码，解决问题。

numpy报错：OSError: Failed to interpret file as a pickle

热门推荐

qq_41378429的博客

04-02

4万+

首先了解pickle的定义： pickle: 用于python特有的类型和python的数据类型间进行转换 pickle提供四个功能：dumps,dump,loads,load pickle可以存储所有python支持的原生类型（bool,int,float,string,byte,none等），由任何原生类型组成的列表、元组、字典和集合，函数、类、类的实例。所以这个报错本质就是数据文件不...

记一次Dataloader报错：_pickle.UnpicklingError: pickle data was truncated

qq_74147688的博客

07-07

1542

记一次Dataloader报错：_pickle.UnpicklingError: pickle data was truncated

_pickle.UnpicklingError: pickle data was truncated报错解决

03-18

1万+

File "<string>", line 1, in <module> File "xx/anaconda/lib/python3.7/multiprocessing/spawn.py", line 105, in spawn_main exitcode = _main(fd) File "xx/anaconda/lib/python3.7/multiprocessing/spawn.py", line 115, in _main self = reduction.pickle.l

pickle错误异常_pickle.UnpicklingError和AttributeError

wuliwawa的博客

08-21

2万+

_pickle.UnpicklingError: NEWOBJ class argument isn't a type object AttributeError: Can't get attribute 'admin' on <module '__main__' from 'C:PycharmProjects/subject_system/src/admin_interface.py'&...

【问题解决】yolov3/5训练时出现_pickle.UnpicklingError: STACK_GLOBAL requires str的解决办法

Gorgeous_wxd

09-30

1399

将数据集中labels.cache文件去掉即可

深度学习：_pickle.UmpicklingError:pickle data was truncated

m0_60985598的博客

08-09

1446

_pickle.UnpicklingError: pickle data was truncated

raise pickle.UnpicklingError(_get_wo_message(str(e))) from None _pickle.UnpicklingError: Weights only load failed. This file can still be loaded, to do so you have two options, do those steps only if you trust the source of the checkpoint.

03-17

### 解决方案概述当遇到 `_pickle.UnpicklingError` 错误时，通常是因为保存模型权重的文件损坏或者不兼容引起的。以下是针对该问题的具体分析以及两种解决方案。 --- #### 方法一：验证并重新生成权重文件如果 `torch.load` 抛出了 `_pickle.UnpicklingError` 错误，则可能是由于以下原因造成的： - 权重文件可能被截断或损坏。 - 文件格式与当前 PyTorch 版本不匹配。为了修复此问题，可以尝试以下操作： 1. **确认文件完整性** 验证 `.pth` 或 `.pt` 文件是否完整下载或传输过程中未发生数据丢失。可以通过比较文件大小或校验和来完成这一过程[^1]。 2. **重新导出模型权重** 如果有权访问原始训练脚本，建议重新保存模型权重。确保使用最新的 PyTorch 版本来保存模型，并指定协议版本以提高兼容性： ```python torch.save(model.state_dict(), 'model_weights.pth', _use_new_zipfile_serialization=True) ``` 3. **降级/升级 PyTorch 版本** 不同版本的 PyTorch 可能存在序列化差异。如果无法更改权重文件来源，考虑调整本地环境中的 PyTorch 版本至与权重文件一致的版本。 --- #### 方法二：处理分布式训练导致的关键字前缀问题即使解决了 `_pickle.UnpicklingError`，仍可能出现因多 GPU 训练引入的 `"module."` 前缀而导致的 key mismatch 问题。这种情况下可采取如下措施： 1. **移除多余前缀** 使用 Python 字典推导式删除多余的 `"module."` 前缀后再加载权重： ```python from collections import OrderedDict checkpoint = torch.load('model_weights.pth') new_checkpoint = OrderedDict() for k, v in checkpoint.items(): name = k.replace("module.", "") # 移除 "module." new_checkpoint[name] = v model.load_state_dict(new_checkpoint) ``` 2. **修改加载方式** 若模型是在单卡环境中运行而无需额外封装到 `nn.DataParallel` 中，则可以直接通过忽略键名的方式加载部分参数： ```python incompatible_keys = model.load_state_dict(checkpoint, strict=False) print(incompatible_keys.missing_keys) # 打印缺失的 keys print(incompatible_keys.unexpected_keys) # 打印意外的 keys ``` 上述方法能够有效应对由分布式训练引发的命名冲突问题。 --- ### 总结代码示例综合以上两种情况下的解决办法，提供一段完整的代码供参考： ```python import torch from collections import OrderedDict try: checkpoint = torch.load('model_weights.pth') # 尝试加载权重 except Exception as e: print(f"Load error: {e}") # 处理 UnpicklingError 的一种简单策略——重新下载或替换权重文件 raise ValueError("Please ensure the integrity of your weight file and try again.") # 检查是否存在 module. 前缀问题 if list(checkpoint.keys())[0].startswith("module."): new_checkpoint = OrderedDict() for k, v in checkpoint.items(): name = k.replace("module.", "") new_checkpoint[name] = v model.load_state_dict(new_checkpoint) else: model.load_state_dict(checkpoint) print("Model weights loaded successfully.") ``` --- ###