平台：win10+vscode+venvpython3.9.9
PyTorch version 1.9.1+cu111
使用模型网页给出的微调示例代码报错
网页连接：https://www.modelscope.cn/models/damo/speech_paraformer-large-vad-punc_asr_nat-zh-cn-16k-common-vocab8404-pytorch/summary
错误信息：UnicodeDecodeError: 'utf-8' codec can't decode byte 0xb6 in position 89: invalid start byte
encode=gbk报错
encode=utf-8也报错
都停在了这里
代码：
import os
from modelscope.metainfo import Trainers
from modelscope.trainers import build_trainer
# from modelscope.msdatasets.audio.asr_dataset import ASRDataset
from modelscope.msdatasets.dataset_cls.custom_datasets import ASRDataset
###########coding=GB2312
def modelscope_finetune(params):
if not os.path.exists(params.output_dir):
os.makedirs(params.output_dir, exist_ok=True) # dataset split ["train", "validation"]
ds_dict = ASRDataset.load(params.data_path, namespace='speech_asr',)
kwargs = dict(
model=params.model,
data_dir=ds_dict,
dataset_type=params.dataset_type,
work_dir=params.output_dir,
batch_bins=params.batch_bins,
max_epoch=params.max_epoch,
lr=params.lr,
#UnicodeEncodeError =
# encoding = "utf-8"
)
trainer = build_trainer(Trainers.speech_asr_trainer, default_args=kwargs)
trainer.train()
if __name__ == '__main__':
from funasr.utils.modelscope_param import modelscope_args
params = modelscope_args(model='damo/speech_paraformer-large-contextual_asr_nat-zh-cn-16k-common-vocab8404')
params.output_dir = "./checkpoint" # 模型保存路径
params.data_path = "speech_asr_aishell1_trainsets" # 数据路径，可以为modelscope中已上传数据，也可以是本地数据
# params.data_path = "./data/example_data" # 数据路径，可以为modelscope中已上传数据，也可以是本地数据
# params.data_path = 'datatang/205People_MandarinSpeechDatainNoisyEnvironmentByMobilePhone'
params.dataset_type = "small" # 小数据量设置small，若数据量大于1000小时，请使用large
params.batch_bins = 2000 # batch size，如果dataset_type="small"，batch_bins单位为fbank特征帧数，如果dataset_type="large"，batch_bins单位为毫秒，
params.max_epoch = 5 # 最大训练轮数
params.lr = 0.00005 # 设置学习率
modelscope_finetune(params)
写回答
这个报错后续有 模型配置文件编码不对，数据集文件编码不对，以及最重要的FunASR库 报 os.uname不存在。
综上，个人判断是不适合直接在win10上经行模型微调。
最后解决方案：换平台为 win10+decoker，用官方镜像。
根据你提供的错误信息，'utf-8' codec can't decode，这通常是由于尝试使用UTF-8编码解码非UTF-8编码的数据导致的。在模型训练过程中，这可能涉及到读取或写入文件、处理文本数据等操作。
以下是一些可能的原因和解决方案：
文件编码问题：如果你正在读取或写入的文件不是UTF-8编码，那么解码时就会出现问题。
解决方案：确定文件的正确编码，并在读取或写入文件时指定正确的编码。例如，如果你知道文件是使用GBK编码，你可以使用open(file, 'r', encoding='gbk')来读取文件。
文本数据处理：如果你在处理文本数据（例如从网页抓取数据）时遇到这个问题，可能是因为抓取的数据包含非UTF-8字符。
解决方案：在处理文本之前，确保文本是UTF-8编码。如果抓取的数据不是UTF-8编码，尝试转换编码或者清洗掉非UTF-8字符。
外部依赖库或数据源问题：如果你从外部库或数据源获取数据，可能是他们提供的数据不正确。
解决方案：检查外部数据源或库是否提供正确编码的数据。如果不确定，可以尝试使用不同的数据源或自己生成数据来测试。
内部数据处理：如果在模型训练过程中涉及到数据处理步骤，可能是数据本身存在问题。
解决方案：检查你的数据处理步骤，确保没有出现编码问题。如果可能的话，尝试将数据处理为基本ASCII字符集，看是否还有问题。
其他库或工具的影响：如果你使用了其他库或工具，它们可能会影响数据的编码。
解决方案：检查你使用的所有库和工具，确保它们没有引入编码问题。如果可能的话，尝试简化你的代码，去掉不必要的库或工具，然后逐步添加回来以找出问题所在。
请根据你的具体情况检查上述可能的原因，并根据相应的解决方案尝试修复问题。
数据集编码问题：数据集中包含非UTF-8编码的字符，导致模型训练时出现错误。解决方法是将数据集转换为UTF-8编码。
模型训练代码问题：模型训练代码中可能包含非UTF-8编码的字符，导致模型训练时出现错误。解决方法是检查代码中的字符编码，并将其设置为UTF-8编码。
系统环境问题：系统环境中的字符编码设置不正确，导致模型训练时出现错误。解决方法是检查系统环境中的字符编码设置，并将其设置为UTF-8编码。
如果在使用ModelScope训练模型时出现'utf-8' codec can't decode的错误，这通常是由于输入数据中包含无法解码为UTF-8格式的字符引起的。下面是一些可能的解决方法：
检查输入数据的编码：确保输入数据是以正确的编码方式保存和加载的。UTF-8是一种常见的Unicode编码方式，但并不是所有数据都以UTF-8编码保存。尝试使用适当的编码方式重新加载数据。
处理特殊字符：如果输入数据中包含特殊或非标准字符，可能会导致解码错误。尝试将这些字符转换为合适的编码或删除它们，以避免解码问题。
使用try-except块处理异常：在代码中使用try-except块可以捕获解码错误，并提供相关的错误处理逻辑。这样可以防止程序因解码错误而崩溃，并输出有关错误的更详细的信息。
示例代码：
try:
# 你的训练代码
# ...
except UnicodeDecodeError as e:
print("解码错误:", e)
# 其他错误处理逻辑
import sys
sys.setdefaultencoding('utf-8')
根据您提供的错误信息，这个问题可能是由于数据集中包含非ASCII字符引起的。在您的代码中，您已经尝试了使用GBK和UTF-8编码进行解码，但是都失败了。建议您尝试使用其他编码方式进行解码，例如GB2312或者其他适合您数据集的编码方式。同时，您也可以尝试在数据预处理的过程中对非ASCII字符进行处理，例如使用正则表达式将其替换为空格或者其他合适的字符。希望这些方法能够帮助您解决问题。
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
