我在训练一个Doc2vec来处理海量数据。我有一个20k文件,总共72GB,并编写以下代码:
def train():
onlyfiles = [f for f in listdir(mypath) if isfile(join(mypath, f))]
data = []
random.shuffle(onlyfiles)
tagged_data = []
t = 0
try:
for file_name in onlyfiles:
with open(mypath+"/"+file_name, 'r', encoding="utf-8") as file:
txt = file.read()
tagged_data.append([word_tokenize(txt.lower()), [str(t)]])
t+=1
except Exception as e:
print(t)
return
print("Files Loaded")
max_epochs = 1000
vec_size = 500
alpha = 0.025
model = Doc2Vec(vector_size=vec_size,
alpha=alpha, workers=1,
min_alpha=0.00025,
min_count=1,
dm=1)
print("Model Works")
print("Building vocabulary")
model.build_vocab(tagged_data)
print("Trainning")
for epoch in range(max_epochs):
print("Iteration {0}".format(epoch))
model.train(tagged_data,
total_examples=model.corpus_count,
epochs=model.iter)
model.alpha -= 0.0002
model.min_alpha = model.alpha
model.save(model_name)
print("Model Saved")
但当我运行此方法时,会出现以下错误: 回溯(最近一次呼叫):
File "doc2vec.py", line 20, in train
tagged_data.append([word_tokenize(txt.lower()), [str(t)]])
MemoryError
只处理3k文件。但是当查看内存时,python
过程显示只使用了1.7%来自内存。
有什么参数我可以通知python
去解决吗?
我该怎么修?你知道吗
您在尝试
Doc2Vec
之前就已经得到了这个错误,所以这不是一个Doc2Vec
问题—这是Python数据处理的问题。您是否有足够的RAM将72GB的磁盘数据(用Python字符串对象表示时可能会扩展一点)加载到RAM中?你知道吗但是,你通常不需要把一个完整的语料库放到内存中,通过添加一个巨大的列表来完成这些任务。一次读取一个内容,然后从iterable/迭代器进行处理,可能会将临时结果(如标记化文本)写回IO源。本文可能有帮助:
https://rare-technologies.com/data-streaming-in-python-generators-iterators-iterables/
最后,如果您的代码确实进入了
Doc2Vec
部分,那么您还有其他问题。无论你在网上咨询什么样的例子,都有很多不好的做法。例如:典型的交互计数是10-20;对于72GB的数据集,当然不会使用1000
min_count=1
导致了一个更大的模型;通常丢弃低频词是必要的,甚至可能改善结果向量的质量,更大的数据集(72GB非常大)倾向于使用更大的而不是最小的min_count
设置大多数人不应该使用非默认的
alpha
/min_alpha
值,或者尝试用自己的计算来管理它们,甚至不应该多次调用train()
。train()
有自己的epochs
参数,如果使用该参数,将为您平滑地处理alpha
学习率。据我所知,100%在自己的循环中多次调用train()
的人都做错了,我不知道他们从哪里得到这些例子。使用
workers=1
进行训练要慢得多;特别是对于大型数据集,您需要尝试更大的workers
值,并且gensim版本到3.5.0的训练吞吐量的最佳值通常在3-12之间(假设您至少有那么多CPU核)。因此,您当前的代码可能会导致一个比RAM更大的模型,训练单线程的速度很慢,比需要的时间长1000倍,而且大部分训练都是用一个荒谬的负alpha进行的,这使得模型在每个周期都变得更糟。如果它在模型初始化过程中奇迹般地没有
MemoryError
,那么它将运行数月或数年,最终得到无意义的结果。你知道吗相关问题 更多 >
编程相关推荐