具有大型语料库 python gensim 的极其缓慢的 LDA 训练模型

Question

我目前正在处理 9600 个文档并应用 gensim LDA。对于训练部分，这个过程似乎需要很长时间才能获得模型。我也尝试过使用多核功能，但它似乎不起作用。我运行整整快3天了，我仍然无法获得lda模型。我已经检查了我的数据和代码的一些特征。我读了这个问题，但仍然没有得到解决方案。

corpora.MmCorpus.serialize('corpus_whole.mm', corpus)
corpus = gensim.corpora.MmCorpus('corpus_whole.mm')
dictionary = gensim.corpora.Dictionary.load('dictionary_whole.dict')

dictionary.num_pos
12796870

print(corpus)
MmCorpus(5275227 documents, 44 features, 11446976 non-zero entries)

# lda model training codes
lda = models.LdaModel(corpus, num_topics=45, id2word=dictionary,\
 update_every=5, chunksize=10000,  passes=100)

ldanulti = models.LdaMulticore(corpus, num_topics=45, id2word=dictionary,\
                            chunksize=10000, passes=100, workers=3)

这是我检查 BLAS 的配置，我不确定我是否安装了正确的配置。我在这里遇到的一件事是，我无法使用命令 apt-get 在我的 mac 上安装软件包。我已经安装了 Xcode 但它仍然给我一个错误。

python -c 'import scipy; scipy.show_config()'
lapack_mkl_info:
libraries = ['mkl_intel_lp64', 'mkl_intel_thread', 'mkl_core', 'iomp5', 'pthread']
library_dirs = ['/Users/misun/anaconda/lib']
include_dirs = ['/Users/misun/anaconda/include']
define_macros = [('SCIPY_MKL_H', None), ('HAVE_CBLAS', None)]
lapack_opt_info:
libraries = ['mkl_intel_lp64', 'mkl_intel_thread', 'mkl_core', 'iomp5', 'pthread']
library_dirs = ['/Users/misun/anaconda/lib']
include_dirs = ['/Users/misun/anaconda/include']
define_macros = [('SCIPY_MKL_H', None), ('HAVE_CBLAS', None)]
blas_opt_info:
libraries = ['mkl_intel_lp64', 'mkl_intel_thread', 'mkl_core', 'iomp5', 'pthread']
library_dirs = ['/Users/misun/anaconda/lib']
include_dirs = ['/Users/misun/anaconda/include']
define_macros = [('SCIPY_MKL_H', None), ('HAVE_CBLAS', None)]
blas_mkl_info:
libraries = ['mkl_intel_lp64', 'mkl_intel_thread', 'mkl_core', 'iomp5', 'pthread']
library_dirs = ['/Users/misun/anaconda/lib']
include_dirs = ['/Users/misun/anaconda/include']
define_macros = [('SCIPY_MKL_H', None), ('HAVE_CBLAS', None)]

我对如何在 python 中使用 shardedcorpus 与我的字典和语料库了解不多，所以任何帮助将不胜感激！我已经 3 天没睡觉来解决这个问题了！！谢谢！！

Answer 1

我无法在我的机器上真正重现您的问题，但对我来说，您的问题似乎不是多处理问题，而是您的参数 passes，这对我来说似乎太高了。试试 1 或 2 之类的东西，这应该是一个很好的开始参数。如果您的主题不能很好地收敛，您仍然可以增加它。

lda = models.LdaModel(corpus, num_topics=45, id2word=dictionary, update_every=5, chunksize=10000,  passes=1)

这应该最多在一天内完成，可能只需几个小时（取决于您的机器）。

具有大型语料库 python gensim 的极其缓慢的 LDA 训练模型

Extremely slow LDA training model with large corpora python gensim

python

machine-learning

multiprocessing

gensim

lda