bert-vits2本地部署报错疑难问题汇总-Toy模板网

这篇具有很好参考价值的文章主要介绍了bert-vits2本地部署报错疑难问题汇总。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

环境：

bert-vits2.3
win 和wsl

问题描述：

bert-vits2本地部署报错疑难问题汇总

解决方案：

问题1:

Conda安装requirements里面依赖出现ERROR: No matching distribution found for opencc==1.1.6

解决方法文章来源地址https://www.toymoban.com/news/detail-826717.html

需要在 Python 3.11 上使用 OpenCC
打开requirements把opencc== 1.16改成1.17保存文本

问题2:
error: Microsoft Visual C++ 14.0 or greater is required. Get it with "Microsoft C++ Build Tool

解决方法

conda install libpython m2w64-toolchain -c msys2

 conda install -c conda-forge jieba_fast

安装VS2019

单独安装2个组件

the expanded size of the tensor (2048) must match the existing size (1024) a,Bert-VITS2,bert,人工智能,深度学习,Bert-Vits2

问题3:

训练报错

TypeError: Webui_config.init() got an unexpected keyword argument ‘fp16_run’

解决方法

配置文件没有更新，更新配置文件

问题4:

训练报错

[rank0]: OSError: Error no file named pytorch_model.bin, tf_model.h5, model.ckpt.index or flax_model.msgpack found in directory ./slm/wavlm-base-plus.

解决方法

没有下载pytorch_model.bin 在下面这个文件夹

the expanded size of the tensor (2048) must match the existing size (1024) a,Bert-VITS2,bert,人工智能,深度学习,Bert-Vits2

问题5:

训练报错

RuntimeError: The expanded size of the tensor (1024) must match the existing size (2048) at non-singleton dimension 0. Target sizes: [1024, 157]. Tensor sizes: [2048, 157]

解决方法

删除原来生产bert文件重新生成

问题6:

raise KeyError("param ‘initial_lr’ is not specified "
[rank0]: KeyError: “param ‘initial_lr’ is not specified in param_groups[0] when resuming an optimizer”

解决方法


优化爆了，手动改优化器train_ms.py代码




# 更改优化器的初始学习率参数
optim_g.param_groups[0]['initial_lr'] = 0.1
optim_d.param_groups[0]['initial_lr'] = 0.1
optim_wd.param_groups[0]['initial_lr'] = 0.1
optim_dur_disc.param_groups[0]['initial_lr'] = 0.1

# 创建调度器并应用更改后的优化器
scheduler_g = torch.optim.lr_scheduler.ExponentialLR(
    optim_g, gamma=hps.train.lr_decay, last_epoch=epoch_str - 2
)
scheduler_d = torch.optim.lr_scheduler.ExponentialLR(
    optim_d, gamma=hps.train.lr_decay, last_epoch=epoch_str - 2
)
scheduler_wd = torch.optim.lr_scheduler.ExponentialLR(
    optim_wd, gamma=hps.train.lr_decay, last_epoch=epoch_str - 2
)
if net_dur_disc is not None:
    scheduler_dur_disc = torch.optim.lr_scheduler.ExponentialLR(
        optim_dur_disc, gamma=hps.train.lr_decay, last_epoch=epoch_str - 2
    )