run.sh

python run_speech_recognition_ctc.py \
    --dataset_name="common_voice" \
    --model_name_or_path="facebook/wav2vec2-xls-r-300m" \
    --dataset_config_name="zh-CN" \
    --output_dir="./" \
    --overwrite_output_dir \
    --num_train_epochs="100" \
    --per_device_train_batch_size="8" \
    --per_device_eval_batch_size="8" \
    --gradient_accumulation_steps="4" \
    --learning_rate="7.5e-5" \
    --warmup_steps="2000" \
    --length_column_name="input_length" \
    --max_duration_in_seconds="7" \ 
    --max_eval_samples="3000" \
    --evaluation_strategy="steps" \
    --text_column_name="sentence" \
    --chars_to_ignore , ? . ! \- \; \: \" “ % ‘ ” � — ’ … – ！ － ： – 。 》 , ） , ？ ； ～ ~ … ︰ ， （ 」 ‧ 《 ﹔ 、 — ／ , 「 ﹖ · \
    --save_steps="500" \
    --eval_steps="500" \
    --logging_steps="100" \
    --layerdrop="0.0" \
    --activation_dropout="0.1" \
    --save_total_limit="3" \
    --freeze_feature_encoder \
    --feat_proj_dropout="0.0" \
    --mask_time_prob="0.75" \
    --mask_time_length="10" \
    --mask_feature_prob="0.25" \
    --mask_feature_length="64" \
    --gradient_checkpointing \
    --use_auth_token \
    --fp16 \
    --group_by_length \
    --do_train --do_eval \
    --report_to="tensorboard" \
    --push_to_hub