到目前为止，我所取得的成就是人无法阅读的模型。我需要将模型保存为纯文本才能与某个软件一起使用，这要求模型是这样的。
我尝试了以下方法：
model = models.doc2vec.Doc2Vec(size=300, min_count=0, alpha=0.025, min_alpha=0.025)
model.train(sentences, total_examples=model.corpus_count, epochs=model.iter)
model.save('mymodel.txt')
但我明白了：
Process finished with exit code -1073741571 (0xC00000FD)
我不知道是否应该传递一个特定的参数。
【问题讨论】：
本机 gensim save() 没有纯文本选项：它利用 Python 核心功能，如对象酸洗，或写入大型原始浮点数组（到具有额外扩展名的辅助文件 .npy）。此类文件将包含原始二进制数据——仅指定.txt 文件名不会对写入的内容产生任何影响。
您可以使用替代方法save_word2vec_format() 将仅字向量保存为原始 Google word2vec.c 使用的每行一个向量的纯文本格式。此外，最新版本的 gensim Doc2Vec 在此方法中添加了可选的 doctag_vec 选项。如果您提供doctag_vec=True，则文档标签向量也将保存到文件中——它们的标签名称与单词向量通过额外的前缀区分开来。有关更多信息，请参阅该方法的文档注释和源代码：
但是，save_word2vec_format() 的任何变体都没有保存整个模型，其中包含继续训练所需的内部模型权重和词汇/文档标签信息（如相对频率）。为此，您必须使用本机 save()。如果您需要文本格式的完整 Doc2Vec 模型，您需要自己编写保存代码，也许使用上述方法作为部分指南。 （此外，我不知道表示整个模型的预先存在的约定 - 因此您必须自己找到或设计它，以满足您以后加载完整模型的需求。）
另外关于你的Doc2Vec初始化参数：
min_count=0 通常是个坏主意：稀有词会使模型变得更糟，因此默认的 min_count=5 通常会改进模型，并且随着您的语料库变得越来越大，甚至更大的 min_count 值会丢弃更多低 -频率词往往有助于提高模型质量（以及加速训练和缩小模型的 RAM/保存大小）
a min_alpha 与 alpha 相同通常是一个坏主意，这意味着 train() 不再执行 alpha 学习率的线性衰减，这是通常且有效的方式对模型进行随机梯度下降优化
【讨论】：