MemoryError：在python中使用word2vec时无法分配形状和数据类型为float32的数组

Question

我正在尝试从维基百科文本数据中训练word2vec模型，因为我正在使用以下代码。

import logging
import os.path
import sys
import multiprocessing

from gensim.corpora import  WikiCorpus
from gensim.models import Word2Vec
from gensim.models.word2vec import LineSentence


if __name__ == '__main__':
    program = os.path.basename(sys.argv[0])
    logger = logging.getLogger(program)

    logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s')
    logging.root.setLevel(level=logging.INFO)
    logger.info("running %s" % ' '.join(sys.argv))

    # check and process input arguments

    if len(sys.argv) < 3:
        print (globals()['__doc__'])
        sys.exit(1)
    inp, outp = sys.argv[1:3]

    model = Word2Vec(LineSentence(inp), size=400, window=5, min_count=5, workers=multiprocessing.cpu_count())

    # trim unneeded model memory = use (much) less RAM
    model.init_sims(replace=True)

    model.save(outp)

但是程序运行20分钟后，出现以下错误

Error message

Answer 1

理想情况下，您应该将错误的文本粘贴到问题中，而不是屏幕截图中。但是，我看到两条关键线：

<TIMESTAMP> : INFO : estimated required memory for 2372206 words and 400 dimensions: 8777162200 bytes
...
MemoryError: unable to allocate array with shape (2372206, 400) and data type float32

经过语料库一次之后，该模型了解了可以保留多少个唯一的单词，该单词报告必须分配一个模型的大小：一个单词约占8777162200 bytes（约8.8GB）。但是，当尝试分配所需的向量数组时，您会得到一个MemoryError，表示没有足够的计算机可寻址内存（RAM）可用。

您可以：

1. 在有更多内存的地方运行，也许通过向现有系统中添加RAM；或
2. 减少所需的内存量，主要是通过减少您想要训练的唯一单词向量的数量或其尺寸大小。

您可以通过将默认的min_count=5参数增加为min_count=10或min_count=20或min_count=50来减少字数。 （您可能不需要超过200万个单词向量-仅用几万个单词的词汇量就可以实现许多有趣的结果。）

您还可以设置max_final_vocab值，以指定要保留的唯一字的确切数目。例如，max_final_vocab=500000仅保留500000个最常用的单词，而忽略其余的单词。

减少size也将节省内存。对于字向量，通常设置为size=300，它将使内存需求减少四分之一。

一起使用size=300, max_final_vocab=500000应该将所需的内存减少到2GB以下。