gensim中的分批训练word2vec在多名工人的支持下

Question

Context

关于如何使用Word2Vec和流数据训练gensim，存在几个问题。无论如何，这些问题没有解决流传输不能使用多个工作程序的问题，因为没有在线程之间拆分的数组。

因此，我想创建一个为gensim提供此类功能的生成器。我的结果看起来像：

from gensim.models import Word2Vec as w2v

#The data is store in a python-list and unsplitted.
#It's to 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 threadsafe it 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
            )

这导致错误

TypeError：不可散列的类型：'列表'

由于如果我只生成一个拆分的文档，dataGenerator(data)将起作用，所以我假设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，我的批处理也将被包装，导致生成类似[[['this', '...'], ['this', '...']], [[...], [...]]]（=> list of list of list的列表），但gensim无法处理。

我的问题：

我可以“流式”传递批处理以便使用多个工作程序吗？如何相应地更改代码？

Answer 1

似乎我太急了。我运行了上面编写的流处理功能，该功能仅处理一个文档而不是批处理：

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，大约花了十分钟，直到所有内核正常工作。

似乎构建词汇表不支持多个核心，因此，仅使用一个核心来完成此任务。大概花了这么长时间是因为auf语料库大小。 gensim制作了唱词之后，所有核心都用于训练。

因此，如果您也遇到此问题，也许有些耐心已经有所帮助：）