我已经训练了大约2300个段落（每个2000-12000个单词）的段落向量，每个段落矢量大小为300.现在，我需要推断大约100,000个句子的段落向量，我将其视为段落（每个句子大约10-30个）每个对应于已经训练过的早期2300段的单词）。
所以，我正在使用
model.infer_vector(sentence)
但是，问题是它花了太长时间，并没有采取任何论据，如“workers”。有没有办法通过线程或其他方式加快进程？我正在使用8gb ram的机器，当我使用时检查可用的核心
cores = multiprocessing.cpu_count()
它出来是8。
我需要这个来回答多项选择题。此外，还有其他任何库/模型，如doc2vec，可以帮助完成这项任务吗？
在此先感谢您的时间。
您可能会从多个线程调用infer_vector()，在需要推断向量的新数据的不同子集上获得轻微的加速。由于Python全局解释器锁（'GIL'），仍然存在相当多的线程争用，阻止了所有内核的完全使用。
如果您的RAM足够大而无需交换，则可以将模型保存到磁盘，然后将其加载到8个单独的进程中，并且每个进程都对新数据的1/8进行推断。这是使所有CPU饱和的最佳方法。
任何更快的加速都需要对gensim中的infer_vector()实现进行优化 - 这是项目中的open issue，可以接受贡献的改进。