6 GB RAM无法使用Word2Vec对文本进行矢量化

Question

我正在尝试使用word2vec和tfidf分数对一个包含160万条推文的数据集进行一次基本的推文情绪分析，但我的6GB Gforce Nvidia未能做到这一点。因为这是我第一次练习机器学习，我想知道我做错了什么，因为数据集都是文本，它不应该占用这么多内存，这会使我的笔记本电脑冻结在tweet2vec函数中，或者在缩放部分出现内存错误。下面是我的代码的一部分，所有的东西都崩溃了。 最后一件事是，我已经尝试了多达100万个数据，并且成功了！所以我很好奇是什么导致了这个问题

# --------------- calculating word weight for using later in word2vec model & bringing words together ---------------
def word_weight(data):
    vectorizer = TfidfVectorizer(sublinear_tf=True, use_idf=True)
    d = dict()
    for index in tqdm(data, total=len(data), desc='Assigning weight to words'):
        # --------- try except caches the empty indexes ----------
        try:
            matrix = vectorizer.fit_transform([w for w in index])
            tfidf = dict(zip(vectorizer.get_feature_names(), vectorizer.idf_))
            d.update(tfidf)
        except ValueError:
            continue
    print("every word has weight now\n"
          "--------------------------------------")
    return d


# ------------------- bringing tokens with weight to recreate tweets ----------------
def tweet2vec(tokens, size, tfidf):
    count = 0
    for index in tqdm(tokens, total=len(tokens), desc='creating sentence vectors'):
        # ---------- size is the dimension of word2vec model (200) ---------------
        vec = np.zeros(size)
        for word in index:
            try:
                vec += model[word] * tfidf[word]
            except KeyError:
                continue
        tokens[count] = vec.tolist()
        count += 1
    print("tweet vectors are ready for scaling for ML algorithm\n"
          "-------------------------------------------------")
    return tokens


dataset = read_dataset('training.csv', ['target', 't_id', 'created_at', 'query', 'user', 'text'])
dataset = delete_unwanted_col(dataset, ['t_id', 'created_at', 'query', 'user'])
dataset_token = [pre_process(t) for t in tqdm(map(lambda t: t, dataset['text']),
                                              desc='cleaning text', total=len(dataset['text']))]

print('pre_process completed, list of tweet tokens is returned\n'
      '--------------------------------------------------------')
X = np.array(tweet2vec(dataset_token, 200, word_weight(dataset_token)))
print('scaling vectors ...')
X_scaled = scale(X)
print('features scaled!')

提供给word_权重函数的数据是一个（1599992200）形状的列表，每个索引由预处理的tweet标记组成。 我感谢您抽出时间提前回答，当然，我很高兴听到处理大型数据集的更好方法

Answer 1

如果我理解正确的话，它可以处理100万条tweets，但不能处理160万条tweets？所以你知道代码是正确的

如果GPU在您认为不应该的情况下内存不足，那么它可能是从上一个进程中保留下来的。使用^{}检查哪些进程正在使用GPU，以及有多少内存。如果（在运行代码之前）您发现python进程中有一大块，那么它可能是一个崩溃的进程，或者Jupyter窗口仍然打开，等等

我发现watch nvidia-smi（不确定是否有windows等价物）很有用，可以查看GPU内存在培训过程中的变化。通常一个块在开始时被保留，然后它保持相当恒定。如果您看到它呈线性上升，那么代码可能有问题（您是否在每次迭代时都重新加载模型，诸如此类？）

Answer 2

当我将代码（tweet2vec函数）更改为此时，我的问题就解决了 （w为字重）

def tweet2vec(tokens, size, tfidf):
    #       - size is the dimension of word2vec model (200)        -
    vec = np.zeros(size).reshape(1, size)
    count = 0
    for word in tokens:
        try:
            vec += model[word] * tfidf[word]
            count += 1
        except KeyError:
            continue
    if count != 0:
        vec /= count
    return vec

X = np.concatenate([tweet2vec(token, 200, w) for token in tqdm(map(lambda token: token, dataset_token),
                                                               desc='creating tweet vectors',
                                                               total=len(dataset_token))]

)

我不知道为什么