Python 使用gensim库进行内存有效的LDA训练
今天我刚开始写一个脚本,使用gensim库在大型语料库(至少3000万句)上训练LDA模型。 以下是我正在使用的当前代码:Python 使用gensim库进行内存有效的LDA训练,python,nlp,gensim,lda,topic-modeling,Python,Nlp,Gensim,Lda,Topic Modeling,今天我刚开始写一个脚本,使用gensim库在大型语料库(至少3000万句)上训练LDA模型。 以下是我正在使用的当前代码: from gensim import corpora, models, similarities, matutils def train_model(fname): logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO) dict
from gensim import corpora, models, similarities, matutils
def train_model(fname):
logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
dictionary = corpora.Dictionary(line.lower().split() for line in open(fname))
print "DOC2BOW"
corpus = [dictionary.doc2bow(line.lower().split()) for line in open(fname)]
print "running LDA"
lda = gensim.models.ldamodel.LdaModel(corpus=corpus, id2word=dictionary, num_topics=100, update_every=1, chunksize=10000, asses=1)
在一个小语料库(200万个句子)上运行这个脚本,我意识到它需要大约7GB的RAM。
当我尝试在更大的语料库上运行它时,由于内存问题,它失败了。
问题显然是由于我正在使用以下命令加载语料库:
corpus = [dictionary.doc2bow(line.lower().split()) for line in open(fname)]
但是,我认为没有其他方法,因为我需要它来调用LdaModel()方法:
我寻找这个问题的解决办法,但找不到任何有用的。
我认为这应该是一个常见的问题,因为我们主要在非常大的语料库(通常是维基百科文档)上训练模型。因此,它应该已经是一个解决方案
关于这个问题和解决方案有什么想法吗?考虑将您的
语料库包装为一个iterable,并传递它而不是列表(生成器将无法工作)
发件人:
此外,Gensim还提供了几种不同的语料库格式,可以在中找到。你可以考虑使用<代码>文本语料库,它已经很好地符合你的格式:
corpus = gensim.corpora.TextCorpus(fname)
lda = gensim.models.ldamodel.LdaModel(corpus=corpus,
id2word=corpus.dictionary, # TextCorpus can build the dictionary for you
num_topics=100,
update_every=1,
chunksize=10000,
passes=1)
相关教程的正确链接是:谢谢,@Carsten!
class MyCorpus(object):
def __iter__(self):
for line in open(fname):
# assume there's one document per line, tokens separated by whitespace
yield dictionary.doc2bow(line.lower().split())
corpus = MyCorpus()
lda = gensim.models.ldamodel.LdaModel(corpus=corpus,
id2word=dictionary,
num_topics=100,
update_every=1,
chunksize=10000,
passes=1)
corpus = gensim.corpora.TextCorpus(fname)
lda = gensim.models.ldamodel.LdaModel(corpus=corpus,
id2word=corpus.dictionary, # TextCorpus can build the dictionary for you
num_topics=100,
update_every=1,
chunksize=10000,
passes=1)