时间戳

首页 > 解决方案 > 在 gensim 中批量训练 word2vec，支持多个工作人员

python - 在 gensim 中批量训练 word2vec，支持多个工作人员

问题描述

语境

Word2Vec关于如何使用gensim流数据进行训练存在几个问题。无论如何，这些问题并没有解决流不能使用多个工作线程的问题，因为没有数组可以在线程之间拆分。

因此，我想创建一个为 gensim 提供此类功能的生成器。我的结果如下：

from gensim.models import Word2Vec as w2v

#The data is stored in a python-list and unsplitted.
#It's too much data to store it splitted, so I have to do the split while streaming.
data = ['this is document one', 'this is document two', ...]

#Now the generator-class
import threading

class dataGenerator:
    """
    Generator for batch-tokenization.
    """

    def __init__(self, data: list, batch_size:int = 40):
        """Initialize generator and pass data."""

        self.data = data
        self.batch_size = batch_size
        self.lock = threading.Lock()


    def __len__(self):
        """Get total number of batches."""
        return int(np.ceil(len(self.data) / float(self.batch_size)))


    def __iter__(self) -> list([]):
        """
        Iterator-wrapper for generator-functionality (since generators cannot be used directly).
        Allows for data-streaming.
        """
        for idx in range(len(self)):
            yield self[idx]


    def __getitem__(self, idx):

        #Make multithreading thread-safe
        with self.lock:

            # Returns current batch by slicing data.
            return [arr.split(" ") for arr in self.data[idx * self.batch_size : (idx + 1) * self.batch_size]]


#And now do the training
model = w2v(
             sentences=dataGenerator(data),
             size=300,
             window=5,
             min_count=1,
             workers=4
            )

这会导致错误

类型错误：不可散列类型：“列表”

因为dataGenerator(data)如果我只生成一个拆分文档就可以了，我假设 gensimsword2vec将生成器包装在一个额外的列表中。在这种情况下，__iter__看起来像：

def __iter__(self) -> list:
    """
    Iterator-wrapper for generator-functionality (since generators cannot be used directly.
    Allows for data-streaming.
    """
    for text in self.data:
        yield text.split(" ")

因此，我的批次也将被包装，导致类似[[['this', '...'], ['this', '...']], [[...], [...]]](=> list of list of list) 无法由 gensim 处理。




我的问题：

我可以“流”通过批次以使用多个工人吗？如何相应地更改我的代码？

标签： pythonnlpbatch-processinggensimword2vec

解决方案

只想重申 @gojomo的评论是要走的路：使用大型语料库和多个cpus，使用参数而不是训练gensim word2vec要快得多，如文档中所述：corpus_filesentences

  • corpus_file (str, optional) -- LineSentence格式的语料库文件的路径。您可以使用此参数而不是句子来提高性能。只需要传递一个句子或 corpus_file 参数（或者它们都不传递，在这种情况下，模型未初始化）。

LineSentence 格式基本上每行只有一个句子，单词以空格分隔。纯文本、.bz2 或 gz。

推荐阅读