我正试图在一个由160万条推文组成的数据集上使用word2vec和tfidf分数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。由于这是我第一个与机器学习相关的实践项目，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RAM，这会让我的笔记本电脑冻结在tweet2vec函数中，或者给出缩放部分的内存错误。下面是我的代码的一部分，所有东西都崩溃了。最后一件事是，我尝试了多达1M的数据，它成功了！所以我很好奇出现问题的原因
# --------------- 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 nown"
"--------------------------------------")
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 algorithmn"
"-------------------------------------------------")
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 returnedn'
'--------------------------------------------------------')
X = np.array(tweet2vec(dataset_token, 200, word_weight(dataset_token)))
print('scaling vectors ...')
X_scaled = scale(X)
print('features scaled!')
给wordweight函数的数据是一个(1599999200(形状的列表，每个索引都由预处理的tweet令牌组成。我感谢您的时间和提前回答，当然我很高兴听到处理大数据集的更好方法
如果我理解正确，它可以处理1M条推文，但不能处理160万条推文？所以你知道代码是正确的。
如果GPU的内存不足，而你认为它不应该耗尽，那么它可能会保留以前的进程。使用nvidia-smi检查哪些进程正在使用GPU，以及有多少内存。如果(在你运行代码之前(你发现python进程中有一大块，它可能是一个崩溃的进程，或者Jupyter窗口仍然打开，等等。
我发现这对watch nvidia-smi(不确定是否有windows等效程序(很有用，可以了解GPU内存如何随着训练的进行而变化。通常在开始时保留一个chunk，然后它保持相当恒定。如果你看到它线性上升，那么代码可能有问题(你是在每次迭代中重新加载模型吗？(。
当我将代码(tweet2vec函数(更改为(w为单词权重(
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！！！！