python - 错误 : 'utf8' codec can't decode byte 0x80 in position 0: invalid start byte

Question

我正在尝试执行以下操作 kaggle assignmnet .我正在使用 gensim 包来使用 word2vec。我能够创建模型并将其存储到磁盘。但是，当我尝试重新加载文件时，出现以下错误。

    -HP-dx2280-MT-GR541AV:~$ python prog_w2v.py 
Traceback (most recent call last):
  File "prog_w2v.py", line 7, in <module>
    models = gensim.models.Word2Vec.load_word2vec_format('300features_40minwords_10context.txt', binary=True)
  File "/usr/local/lib/python2.7/dist-packages/gensim/models/word2vec.py", line 579, in load_word2vec_format
    header = utils.to_unicode(fin.readline())
  File "/usr/local/lib/python2.7/dist-packages/gensim/utils.py", line 190, in any2unicode
    return unicode(text, encoding, errors=errors)
  File "/usr/lib/python2.7/encodings/utf_8.py", line 16, in decode
    return codecs.utf_8_decode(input, errors, True)
UnicodeDecodeError: 'utf8' codec can't decode byte 0x80 in position 0: invalid start byte

我发现了类似的问题。但是我无法解决问题。我的 prog_w2v.py 如下所示。

import gensim
import time
start = time.time()    
models = gensim.models.Word2Vec.load_word2vec_format('300features_40minwords_10context.txt', binary=True) 
end = time.time()   
print end-start,"   seconds"

我正在尝试使用 code here 生成模型.该程序大约需要半个小时来生成模型。因此我无法多次运行它来调试它。

Answer 1

您没有正确加载文件。您应该使用 load() 而不是 load_word2vec_format()。后者在您使用 C 代码训练模型并以二进制格式保存模型时使用。但是，您没有以二进制格式保存模型，而是使用 python 对其进行训练。所以你可以简单地使用下面的代码，它应该可以工作:

models = gensim.models.Word2Vec.load('300features_40minwords_10context.txt')