使用 torchtext 加载 Multi30k 数据集时，如何解决 UnicodeDecodeError 错误？

使用 multi30k 数据集遇到的 unicodedecodeerror

在使用 torchtext 加载 multi30k 数据集时，遇到 unicodedecodeerror 错误。报错信息提示在 utf-8 编码中无法解码字节 0x80，表明存在编码问题。

根据调查，该问题可能是由于 torchtext 更新导致的。查看 github 仓库中的相关讨论发现，确有其他用户遇到了类似问题。

尝试回退 torchtext 版本至 0.16.1 也不行。此外，其他两个机器翻译数据集（iwslt2016 和 iwslt2017）也无法加载，报错为 404 找不到文件。

解决办法

经过尝试，发现按以下方式加载数据集可以避免 unicodedecodeerror 错误：

train = datasets.Multi30k(root='.data', split='train', language_pair=('de', 'en')) val = datasets.Multi30k(root='.data', split='valid', language_pair=('de', 'en'))

将数据集加载为训练和验证集的单独部分似乎解决了问题。后续测试集无法加载的原因尚不清楚。