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
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?)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)
)
我不知道为什么
相关问题 更多 >
编程相关推荐