Gensim word2vec 模型输出 1000 维 ndarray 但 ndarray 维的最大数量为 32 - 如何？

Question

我正在尝试使用this 1000 维维基百科 word2vec 模型来分析一些文档。

使用自省我发现一个单词的向量表示是一个 1000 维的 numpy.ndarray，但是每当我尝试创建一个 ndarray 来查找最近的单词时，我都会得到一个值错误：

ValueError: maximum supported dimension for an ndarray is 32, found 1000

从我通过在线查看可以看出 32 确实是 ndarray 支持的最大维数 - 那么给出了什么？ gensim是如何输出1000维的ndarray的？

下面是一些示例代码：

doc = [model[word] for word in text if word in model.vocab]
out = []
n = len(doc[0])
print(n)
print(len(model["hello"]))
print(type(doc[0]))
for i in range(n):
    sum = 0
    for d in doc:
        sum += d[i]
    out.append(sum/n)
out = np.ndarray(out)

哪个输出：

1000
1000
<class 'numpy.ndarray'>
ValueError: maximum supported dimension for an ndarray is 32, found 1000

这里的目标是计算语料库中所有单词的平均向量，其格式可用于在模型中查找附近的单词，因此欢迎提出任何替代建议。

Answer 1

您正在调用 numpy 的 ndarray() 构造函数，其中包含一个包含 1000 个数字的列表 - 您手动计算的 1000 个维度中每个维度的平均值。

ndarray() 函数期望它的参数是构造的矩阵的 shape，因此它试图创建一个形状为 (d[0], d[1], ..., d[999]) 的新矩阵——然后该矩阵中的每个单独的值都会用一组 1000 整数的坐标来处理。而且，实际上numpy 数组只能有 32 个独立的维度。

但是，即使您将提供给 ndarray() 的列表减少到仅 32 个数字，您仍然会遇到问题，因为您的 32 个数字是浮点值，而 ndarray() 需要整数计数。 （你会得到一个TypeError。）

沿着您尝试采用的方法——这不是我们将在下面介绍的最佳方法——您确实想要创建一个具有 1000 个浮点维度的单个向量。也就是说，1000 个类似单元格的值 - 不是 d[0] * d[1] * ... * d[999] 单独的类似单元格的值。

因此，按照您的初始方法，粗略的解决方法可能是将您的最后一行替换为：

result = np.ndarray(len(d))
for i in range(len(d)):
    result[i] = d[i]

但是有很多方法可以逐步使这种方法更高效、更紧凑和更惯用——我将在下面提到其中的一些，尽管 best 方法在本质上是其中的大部分不需要临时步骤。

首先，您可以使用 Python 的括号索引赋值选项，而不是上面代码中的赋值循环：

result = np.ndarray(len(d))
result[:] = d  # same result as previous 3-lines w/ loop

但事实上，numpy 的array() 函数本质上可以从给定的列表中创建必要的numpy-native ndarray，所以根本不用ndarray()，你可以只使用@987654337 @：

result = np.array(d)  # same result as previous 2-lines

但进一步，numpy 的许多本机处理数组（和类似数组的列表）的函数已经包括在一个步骤中执行多个向量的平均值的事情（甚至循环都隐藏在非常- 高效的编译代码或 CPU 大容量向量操作）。例如，有一个 mean() 函数可以平均数字列表、数字的多维数组或对齐的向量集等等。

这允许更快、更清晰、单行的方法，可以将整个原始代码替换为以下内容：

# get a list of available word-vetors
doc = [model[word] for word in text if word in model.vocab]
# average all those vectors
out = np.mean(doc, axis=0)

（如果没有 axis 参数，它会将所有插槽中的所有单个维度值平均在一起，形成一个最终平均数。）