python - MemoryError:在python中使用word2vec时无法分配形状和数据类型为float32的数组

Question

我正在尝试从维基百科文本数据中训练word2vec模型，因为我正在使用以下代码。

import logging
import os.path
import sys
import multiprocessing

from gensim.corpora import  WikiCorpus
from gensim.models import Word2Vec
from gensim.models.word2vec import LineSentence


if __name__ == '__main__':
    program = os.path.basename(sys.argv[0])
    logger = logging.getLogger(program)

    logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s')
    logging.root.setLevel(level=logging.INFO)
    logger.info("running %s" % ' '.join(sys.argv))

    # check and process input arguments

    if len(sys.argv) < 3:
        print (globals()['__doc__'])
        sys.exit(1)
    inp, outp = sys.argv[1:3]

    model = Word2Vec(LineSentence(inp), size=400, window=5, min_count=5, workers=multiprocessing.cpu_count())

    # trim unneeded model memory = use (much) less RAM
    model.init_sims(replace=True)

    model.save(outp)

但是程序运行20分钟后，出现以下错误

Error message

Answer 1

理想情况下，您应该将错误文本粘贴到问题中，而不是截图。但是，我看到两条关键线：

<TIMESTAMP> : INFO : estimated required memory for 2372206 words and 400 dimensions: 8777162200 bytes
...
MemoryError: unable to allocate array with shape (2372206, 400) and data type float32

经过语料库之后，该模型学会了可以保留多少个唯一的单词，这些单词报告必须分配一个模型的大小：一个单词大约占用 8777162200 bytes（约8.8GB）。但是，当尝试分配所需的向量数组时，会得到一个 MemoryError，它表示没有足够的计算机可寻址内存（RAM）可用。

您可以：


在可能有更多内存的地方运行，也许是通过向现有系统中添加RAM来实现；要么
减少所需的内存量，主要是通过减少您想要训练的唯一字向量的数量或尺寸大小。


您可以通过将默认的 min_count=5参数增大为 min_count=10或 min_count=20或 min_count=50来减少单词数。 （您可能不需要超过200万个单词向量-仅用几万个单词的词汇量就可以实现许多有趣的结果。）

您还可以设置一个 max_final_vocab值，以指定要保留的唯一单词的确切数目。例如， max_final_vocab=500000仅保留500000个最常用的单词，而忽略其余的单词。

减小 size也将节省内存。对于字向量， size=300设置很受欢迎，它将使内存需求减少四分之一。

一起使用 size=300, max_final_vocab=500000应该会将所需的内存减少到2GB以下。