在 gensim 中批量训练 word2vec 并支持多个工人

Question

上下文

关于如何使用 gensim 和流数据训练 Word2Vec 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

TypeError: unhashable type: 'list'

由于dataGenerator(data) 如果我只生成一个拆分文档就可以工作，我假设 gensims word2vec 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，我的批次也会被包装成类似 [[['this', '...'], ['this', '...']], [[...], [...]]] (=> list of list of list) 之类的东西，gensim 无法处理。

我的问题：

我可以“流”传递批次以使用多个工人吗？ 如何相应地更改我的代码？

Answer 1

看来我太不耐烦了。我运行了上面编写的流式函数，它只处理一个文档而不是批处理：

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(" ")

启动w2v-函数后，大约需要十分钟，直到所有内核都正常工作。

似乎构建词汇表不支持多核，因此，这项任务只使用了一个。据推测，它花了这么长时间，因为 auf 语料库大小。 gensim 构建词汇后，所有核心都用于训练。

因此，如果您也遇到了这个问题，也许一些耐心会有所帮助:)

Answer 2

只是想重申一下 @gojomo's comment 是要走的路：使用大型语料库和多个 cpus，使用 corpus_file 参数而不是 sentences 来训练 gensim word2vec 会快得多，如 the docs 中所述：

• 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（或者一个都不传递，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。