python - 在多个工作人员的支持下，在 gensim 中批量训练 word2vec

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分割。

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'

由于如果我只生成一个拆分文档，dataGenerator(data) 就可以工作，因此我假设 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，我的批处理也会被包装，导致类似于 [[['this', '...'], ['this', '...']], [[... ], [...]]] (=> 列表的列表的列表)，gensim 无法处理。

我的问题:

我可以“流”传递批处理以使用多个工作人员吗？我怎样才能相应地更改我的代码？

Answer 1

看来我太不耐烦了。我运行了上面写的流函数，它只处理一个文档而不是一批:

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功能后，大约需要十分钟时间，直到所有核心都正常工作。

构建词汇表似乎不支持多个核心，因此仅使用一个核心来完成此任务。据推测，由于语料库的大小，花了这么长时间。 gensim 构建词汇后，所有核心都用于训练。

因此，如果您也遇到这个问题，也许一些耐心会有所帮助:)