windows下运行SyntaSpeech

SyntaSpeech是2022年5月份浙大提出的，结合图神经网络在TTS声学模型进行的改进，只提供了Ubuntu的版本。

但是手上正好有一台windows，所以看看Windows下面能不能跑

其中有几个需要修改的点(因为是改完了才写的blog，可能有一些小的遗漏)。

1、安装过程中所有的bash都没法用，不过大部分都可以用conda安装，就不赘述了

2、Windows默认编码是gbk，Linux是utf8，这在不同环境下拷数据容易出现问题，在所有open函数的的参数中加入encoding=utf-8

3、在utils/os_utils.py中，使用了大量的bash，Windows肯定是执行不了，小改一下（windows没有很好的ln代替的命令，所以就用复制代替了，我把改完的代码贴上把）

import os
import subprocess
import shutil


def link_file(from_file, to_file):
    # subprocess.check_call(
    #     f'ln -s "`realpath --relative-to="{os.path.dirname(to_file)}" "{from_file}"`" "{to_file}"', shell=True)
    shutil.copy(from_file, to_file)


def move_file(from_file, to_file):
    # subprocess.check_call(f'mv "{from_file}" "{to_file}"', shell=True)
    shutil.move(from_file, to_file)


def copy_file(from_file, to_file):
    # subprocess.check_call(f'cp -r "{from_file}" "{to_file}"', shell=True)
    shutil.copy(from_file, to_file)


def remove_file(*fns):
    # For linux
    # for f in fns:
    #     subprocess.check_call(f'rm -rf "{f}"', shell=True)
    for f in fns:
        if os.path.exists(f):
            if os.path.isdir(f):
                shutil.rmtree(f)
            elif os.path.isfile(f):
                os.remove(f)
            else:
                pass
        else:
            pass

4、mfa_usr/run_mfa_train_align.sh没法使用，在处理数据的三步（process，align，binarizer）的第二步中有用到，我的做法是把调用部分注释掉，自己手动完成。mfa_usr/run_mfa_train_align.sh脚本逻辑也很简单，就是一个mfa的train，然后rm掉tmp文件，最后把分文件夹（为了更好的使用多核性能）的TextGrid文件合并到一个文件夹中

5、Windows下的多进程使用的是spwan，而Linux下是fork，fork的时候python的global变量就可以传过去，但是windows下不行，所以处理数据不要用多进程，一定要用process_data_single_processing，不然hparams传不过去

6、其实上面这些都不用特意写一个blog，主要是第五点，SyntaSpeech写配置文件用的一种链式的规则，就是比如有个a.yaml，在a.yaml中可以写我基于b.yaml，一环套一环，这是前提。当时我在Ubuntu跑起来完全没问题，但是windows下面越跑内存越大，显卡不启动，直到32G内存满了也不启动，我启用debug模式开始跟踪，开始我以为是open导致的，把整个二进制的数据集（它自己写的，很有意思）都进来了，经过测试，open不会占用大量内存，跟进线程发现会一直load数据，不会组batch，开始怀疑是不是batch size太大了，但是Linux下也是这个配置，完全没有问题。跟踪一下batch size，设置的值是100000，异常恐怖的值，但是在配置文件明明有写8，于是开始跟踪set_hparams过程，发现一共读了8次config文件，前3次没有max_sentences（也就是batch size，这里面写的叫max_sentences）值，第四次是100000，第五、六次是8，第七次又是100000，第四次应该是基础config，第五次给覆盖掉了，可以为什么第七次又覆盖回来了呢？其实到这已经发现问题，如果只要跑的话可以都写在一个config就避免了这个问题。

但是我们打破沙锅问到底，看看到底问题在哪，经过跟踪，发现为了防止重复读config，作者用loaded_config来记录读过的config，而且为了使用相对路径，还专门写了一下

for c in hparams_['base_config']:
    if c.startswith('.'):
        c = f'{os.path.dirname(config_fn)}\\{c}'
        c = os.path.normpath(c)
    if c not in loaded_config:
        override_config(ret_hparams, load_config(c))

问题就出来Windows下的/和\\，python可以兼容使用/或者\\，我们写时候习惯写/，但是os.path.normpath会把路径改写成\\，于是一个文件就有了不同路径，比如c:\\egs/1.txt，c:\\egs\\1.txt，这也是为什么之前读过的基础config会覆盖我们写的config，知道问题就很好处理了，在load_config这个函数传进来时候

    def load_config(config_fn):
        config_fn = config_fn.replace('/','\\')

简单处理一下，完全没问题！

真的是找bug半天，改bug一行

最后还有一个小问题，windows跑跑的给我们显卡降频了。。。虽然我也不知道为什么？可能是累了？推荐个软件MSIAfterburner，可以实时查看显卡频率，也可以超频用。3090正常1400以上，一般能到1800。最后重启电脑，显卡恢复正常频率。

windows比Linux跑神经网络稍微慢一点，Linux 2.3 steps/s，Windows 2.05 steps/s，可能也跟windows要维持我正常使用有关系。

总结就是，能不用windows就不用windows，真的很折腾。。。