1

我正在尝试使用 gensim 训练 Doc2Vec 模型，该模型具有 114M 唯一文档/标签和大约 3M 唯一单词的词汇大小。我在 Azure 上有 115GB Ram linux 机器。当我运行 build_vocab 时，迭代器会解析所有文件，然后抛出如下所示的内存错误。

    Traceback (most recent call last):
  File "doc_2_vec.py", line 63, in <module>
    model.build_vocab(sentences.to_array())
  File "/home/meghana/.local/lib/python2.7/site-packages/gensim/models/word2vec.py", line 579, in build_vocab
    self.finalize_vocab(update=update)  # build tables & arrays
  File "/home/meghana/.local/lib/python2.7/site-packages/gensim/models/word2vec.py", line 752, in finalize_vocab
    self.reset_weights()
  File "/home/meghana/.local/lib/python2.7/site-packages/gensim/models/doc2vec.py", line 662, in reset_weights
    self.docvecs.reset_weights(self)
  File "/home/meghana/.local/lib/python2.7/site-packages/gensim/models/doc2vec.py", line 390, in reset_weights
    self.doctag_syn0 = empty((length, model.vector_size), dtype=REAL)
MemoryError

我的代码-

import parquet
import json
import collections
import multiprocessing


# gensim modules
from gensim import utils
from gensim.models.doc2vec import LabeledSentence
from gensim.models import Doc2Vec

class LabeledLineSentence(object):
    def __init__(self, sources):
        self.sources = sources   
        flipped = {}

    def __iter__(self):
        for src in self.sources:
            with open(src) as fo:
               for row in parquet.DictReader(fo, columns=['Id','tokens']):
                    yield LabeledSentence(utils.to_unicode(row['tokens']).split('\x01'), [row['Id']])

## list of files to be open ##
sources =  glob.glob("/data/meghana_home/data/*")
sentences = LabeledLineSentence(sources)

#pre = Doc2Vec(min_count=0)
#pre.scan_vocab(sentences)
"""
for num in range(0, 20):
    print('min_count: {}, size of vocab: '.format(num), pre.scale_vocab(min_count=num, dry_run=True)['memory']['vocab']/700)
    print("done")
"""

NUM_WORKERS = multiprocessing.cpu_count()
NUM_VECTORS = 300
model = Doc2Vec(alpha=0.025, min_alpha=0.0001,min_count=15, window=3, size=NUM_VECTORS, sample=1e-4, negative=10, workers=NUM_WORKERS) 
model.build_vocab(sentences)
print("built vocab.......")
model.train(sentences,total_examples=model.corpus_count, epochs=10)

根据顶部的内存使用情况是-

在此处输入图像描述

有人可以告诉我预期的内存是多少吗？什么是更好的选择 - 添加交换空间并减慢进程或添加更多内存，以便集群的成本最终可能相等。gensim 将哪些向量存储在内存中？我为内存有效使用而缺少的任何标志。

4

1 回答 1

1

1.14 亿个文档标签至少需要114,000,000 doctags * 300 dimensions * 4 bytes/float = 136GB在训练期间存储原始文档标签向量。

（如果 doctag 键row['Id']是字符串，那么记住 string-to-int-index 映射 dict 将会有额外的开销。如果 doctag 键是从 0 到 1.14 亿的原始整数，那将避免填充该 dict。如果 doctag键是原始整数，但包含任何大于 1.14 亿的整数，模型将尝试分配一个足够大的数组以包含最大整数的行——即使许多其​​他较低的整数未使用。）

原始词向量和模型输出层 ( model.syn1) 将需要大约另外 8GB，词汇字典需要另外几 GB。

因此，理想情况下，您需要更多的可寻址内存或更小的文档标签集。

您提到了“集群”，但 gensimDoc2Vec不支持多机分发。

对于这些算法来说，使用交换空间通常是一个坏主意，它可能涉及大量随机访问，因此在交换期间变得非常慢。但是对于 Doc2Vec，您可以Doc2Vec.__init__()使用可选参数将其 doctags 数组设置为由内存映射文件提供服务docvecs_mapfile。在每个文档具有单个标签的情况下，并且这些标签在每次重复扫描训练文本时以相同的升序出现，性能可能是可以接受的。

分别地：

您对训练迭代和alpha学习率的管理是错误的。您在数据上实现了 2 次传递，alpha值分别为 0.025 和 0.023，即使每次调用都尝试默认 5 次传递，但随后仅从不可重新启动的对象中train()获得一次迭代。sentences.to_array()

您应该以更少的代码行数为目标，让模型alpha从初始高值到默认的最终微小值进行管理。min_alpha您只需要调用train()一次，除非您绝对确定需要在多次调用之间执行额外步骤。（这里没有显示要求。）

通过更改为，然后将单独（而不是）传递给模型，使您的sentences对象成为可以多次迭代的真正可迭代对象。to_array()__iter__()sentencessentences.to_array()

然后train()用这个可多次迭代的对象调用一次，让它执行指定次数的迭代，alpha从高到低平滑更新。（默认继承自Word2Vec5 次迭代，但 10 到 20 更常用于已发表Doc2Vec的作品。默认值min_alpha0.0001 几乎不应该更改。）

于 2017-08-29T17:04:18.267 回答