- Java 双重比较
- java - 比较器与 Apache BeanComparator
- Objective-C 完成 block 导致额外的方法调用?
- database - RESTful URI 是否应该公开数据库主键?
我正在做一个项目,在这个项目中我使用由矢量编码的单词,长度约为 2000 个 float 。现在,当我将这些与原始文本一起使用时,我需要检索遇到的每个单词的向量并对其进行一些计算。不用说,对于大词汇量(~100k 词),这有很大的存储要求(一个文本文件大约 8 GB)。
我最初有一个系统,我将大文本文件拆分成较小的文件,然后针对特定单词,我读取它的文件,并检索它的向量。正如您想象的那样,这太慢了。
接下来,我尝试将所有内容读入 RAM(大约需要 40GB RAM),我发现一旦所有内容都读入,速度会非常快。但是,读入需要很长时间,缺点是我只能使用某些有足够空闲 RAM 的机器来执行此操作。但是,一旦加载数据,它就比其他方法快得多。
我想知道数据库与这些方法相比如何。检索会比 RAM 方法慢,但不会有开销要求。此外,欢迎任何其他想法,我自己也有其他想法(即缓存,使用将所有内容加载到 RAM 中的服务器等)。我可能会对数据库进行基准测试,但我想我会在这里发帖,看看其他人怎么说。
谢谢!
更新
我采纳了 Tyler 的建议。尽管就我而言,我认为 BTree 不是必需的。我只是散列了单词和它们的偏移量。然后我可以查找一个词并在运行时读入它的向量。我缓存了文本中出现的单词,因此每个向量最多只读入一次,但这节省了读入和存储不需要的单词的开销,使其优于 RAM 方法。
仅供引用,我使用了 Java 的 RamdomAccessFile 类并使用了 readLine()、getFilePointer() 和 seek() 函数。
感谢所有为此主题做出贡献的人。
更新 2
要获得更多性能改进,请查看缓冲的 RandomAccessFile 来自: http://minddumped.blogspot.com/2009/01/buffered-javaiorandomaccessfile.html
显然,RandomAccessFile 的 readLine 非常慢,因为它是逐字节读取的。这给了我一些不错的改进。
最佳答案
通常,任何自定义编码的代码都应该比通用数据库快得多,前提是您已经高效地对其进行了编码。
有特定的 C 库可以使用 B 树解决这个问题。过去有一个著名的库叫做“B-trieve”,因为速度快而非常受欢迎。在此应用程序中,B 树将比使用数据库更快、更容易。
如果您想要获得最佳性能,您可以使用一种称为后缀树的数据结构。有些库旨在创建和使用后缀树。这将为您提供最快的单词查找。
在任何一种情况下都没有理由将整个数据集存储在内存中,只需将 B 树(或后缀树)与数据的偏移量一起存储在内存中。这将需要大约 3 到 5 兆字节的内存。当您查询树时,您会得到一个偏移量。然后打开文件,向前查找偏移量并从磁盘读取向量。
关于database - 最好将数据存储在 RAM、文本文件或数据库中,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/16762464/
我需要将文本放在 中在一个 Div 中,在另一个 Div 中,在另一个 Div 中。所以这是它的样子: #document Change PIN
奇怪的事情发生了。 我有一个基本的 html 代码。 html,头部, body 。(因为我收到了一些反对票,这里是完整的代码) 这是我的CSS: html { backgroun
我正在尝试将 Assets 中的一组图像加载到 UICollectionview 中存在的 ImageView 中,但每当我运行应用程序时它都会显示错误。而且也没有显示图像。 我在ViewDidLoa
我需要根据带参数的 perl 脚本的输出更改一些环境变量。在 tcsh 中,我可以使用别名命令来评估 perl 脚本的输出。 tcsh: alias setsdk 'eval `/localhome/
我使用 Windows 身份验证创建了一个新的 Blazor(服务器端)应用程序,并使用 IIS Express 运行它。它将显示一条消息“Hello Domain\User!”来自右上方的以下 Ra
这是我的方法 void login(Event event);我想知道 Kotlin 中应该如何 最佳答案 在 Kotlin 中通配符运算符是 * 。它指示编译器它是未知的,但一旦知道,就不会有其他类
看下面的代码 for story in book if story.title.length < 140 - var story
我正在尝试用 C 语言学习字符串处理。我写了一个程序,它存储了一些音乐轨道,并帮助用户检查他/她想到的歌曲是否存在于存储的轨道中。这是通过要求用户输入一串字符来完成的。然后程序使用 strstr()
我正在学习 sscanf 并遇到如下格式字符串: sscanf("%[^:]:%[^*=]%*[*=]%n",a,b,&c); 我理解 %[^:] 部分意味着扫描直到遇到 ':' 并将其分配给 a。:
def char_check(x,y): if (str(x) in y or x.find(y) > -1) or (str(y) in x or y.find(x) > -1):
我有一种情况,我想将文本文件中的现有行包含到一个新 block 中。 line 1 line 2 line in block line 3 line 4 应该变成 line 1 line 2 line
我有一个新项目,我正在尝试设置 Django 调试工具栏。首先,我尝试了快速设置,它只涉及将 'debug_toolbar' 添加到我的已安装应用程序列表中。有了这个,当我转到我的根 URL 时,调试
在 Matlab 中,如果我有一个函数 f,例如签名是 f(a,b,c),我可以创建一个只有一个变量 b 的函数,它将使用固定的 a=a1 和 c=c1 调用 f: g = @(b) f(a1, b,
我不明白为什么 ForEach 中的元素之间有多余的垂直间距在 VStack 里面在 ScrollView 里面使用 GeometryReader 时渲染自定义水平分隔线。 Scrol
我想知道,是否有关于何时使用 session 和 cookie 的指南或最佳实践? 什么应该和什么不应该存储在其中?谢谢! 最佳答案 这些文档很好地了解了 session cookie 的安全问题以及
我在 scipy/numpy 中有一个 Nx3 矩阵,我想用它制作一个 3 维条形图,其中 X 轴和 Y 轴由矩阵的第一列和第二列的值、高度确定每个条形的 是矩阵中的第三列,条形的数量由 N 确定。
假设我用两种不同的方式初始化信号量 sem_init(&randomsem,0,1) sem_init(&randomsem,0,0) 现在, sem_wait(&randomsem) 在这两种情况下
我怀疑该值如何存储在“WORD”中,因为 PStr 包含实际输出。? 既然Pstr中存储的是小写到大写的字母,那么在printf中如何将其给出为“WORD”。有人可以吗?解释一下? #include
我有一个 3x3 数组: var my_array = [[0,1,2], [3,4,5], [6,7,8]]; 并想获得它的第一个 2
我意识到您可以使用如下方式轻松检查焦点: var hasFocus = true; $(window).blur(function(){ hasFocus = false; }); $(win
我是一名优秀的程序员,十分优秀!