训练FinBERT模型报not enough values to unpack错误求解

这个报错和attention_mask维度无关，本质是FinBERT模型的前向返回值结构与代码解包逻辑不匹配。

你的代码中写_, pooled_output = self.finbert(...)，默认期待模型直接返回包含2个元素的元组：第一个是全token最后一层隐状态，第二个是<[BOS_never_used_51bce0c785ca2f68081bfa7d91973934]>位的池化输出。但当前你使用的HuggingFace Transformers版本中，BERT类模型前向传播返回的是结构化的ModelOutput对象，不是原生元组，直接按位置解包2个值就会触发“需要2个值但只拿到1个”的错误。

异常栈提示错误指向len(train)传参行，是Python异常逐层向上传递的显示问题，不是传参本身有问题，真正的触发点就是FinBERT调用的那行代码。

修改SentimentClassifier的forward方法，不要用位置解包拿返回值，显式读取返回对象的pooler_output属性即可，修改后代码：

class SentimentClassifier(nn.Module):
    
    def __init__(self, n_classes):
        super(SentimentClassifier, self).__init__()
        self.finbert = finbert
        self.drop = nn.Dropout(p=0.3)
        self.out = nn.Linear(self.finbert.config.hidden_size, n_classes)
    
    def forward(self, input_ids, attention_mask):
        finbert_output = self.finbert(
          input_ids=input_ids,
          attention_mask=attention_mask
        )
        pooled_output = finbert_output.pooler_output
        output = self.drop(pooled_output)
        return self.out(output)

• 如果后续需要获取所有token的最后一层隐状态，直接读取finbert_output.last_hidden_state属性即可，不需要按位置解包。
• 你之前排查的attention_mask维度问题是另一类常见报错，本次问题中你确认attention_mask是2维张量，这部分逻辑不需要调整。

内容的提问来源于stack exchange，提问作者Jasmine N