如何使用相同的参数在gensim中更新经过训练的Word2vec模型

从gensim更新模型时遇到了一些麻烦。我使用以下命令创建模型。

model = gensim.models.Word2Vec(sentences,size=100,window=20,min_count=10,workers=24,iter=200,callbacks=[epoch_saver]) 为了保存模型，我使用了：

model.save(type+"/"+"word2vec_"+name+"_"+type+"."+version)

据我所记得，训练模型的第一步是创建一个唱词。无论如何，我必须在iter = 147上停止训练。所以，现在我想加载并继续培训。这是我加载模型的方式：

model = gensim.models.Word2Vec.load("encoded_op_op/temporary_model/word2vec.model")

但是如何使用train（）方法继续更新？我正在尝试：

model = model.train(sentences,epochs=53,callbacks=[epoch_saver])

但出现错误：

对于正确的作业参数更新和进度，您必须指定total_examples或total_words 计算。通常的值是total_examples = model.corpus_count。

无论如何，我在哪里可以定义创建模型时所用的相同参数：size = 100，window = 20，min_count = 10，workers = 24。好。我相信大小已经定义。但是工人呢？

预先感谢

通过在原始实例化调用中直接提供sentences，您实际上要求一个调用也要使用这些build_vocab()自动执行train()和sentences步骤。

尽管您可以总是向模型发送更多训练示例，但这不是通常预期的操作，因此需要谨慎/专心做正确的事，并且仍然可能会破坏SGD的一些常规假设培训优化。特别是在计划的训练次数中间可能中断了先前的跑步之后。

该模型中包含您的原始参数以及一些来自初始词汇表调查的缓存值（例如workers等）。但是，当您自己致电train()时，您需要明确说明要发送多少数据-因此会得到错误。

使用模型内部缓存的值，只需提供所需的内容，就可以非常简单地避免该错误。例如（但出于以下说明的原因，请勿这样做）：

model.train(sentences,epochs=53,callbacks=[epoch_saver],total_examples=model.corpus_count)

（注意：您还不想也希望将返回值（只是一些统计信息）分配给model，否则您将失去对实际模型的引用。）

这提供了错误所请求的内容并因此防止了异常-但仍然做得并不正确。

这是因为从alpha的开始0.025到其可忽略的min_alpha值，从正常的线性学习率衰减开始，原始训练的速度是147/200。但是，如果您只运行上面的代码，您将以0.025重新开始学习，这与原来的培训继续进行会完全不同。

相反，要使内部学习率大致回到第147个时期的中期训练水平，可以对train()，start_alpha使用可选参数，如下所示：

model.train(model.train(sentences,total_examples=model.corpus_count,start_alpha=(model.min_alpha + (53/200 * (model.alpha - model.min_alpha)))

然后，如果原始培训已经达到最后53个时期，您将密切注意将发生的事情。

但是，作为一般观察，您可能应该只是从头开始重新训练。它更加简单，而且不易出错。

但是，如果实际上这很耗时，您觉得您需要从部分训练中恢复，那么奇怪的是，您使用了如此多的训练时期。如果有足够大的数据（这种数据可能要花几个小时才能运行），则更典型的iter值应该是5（默认）到10或20。

仅当您的数据很小/很薄时，才使用较大的值。尽管word2vec在这么小的数据上效果不佳，但您可以通过更多的训练周期来获得部分敏感的结果。但是，总的培训持续时间不太可能这么长，您必须执行如此复杂的部分工作恢复。

另外：使用sentences参数提供纯Python序列作为语料库，使用workers=24可能不会获得非常好的吞吐量和CPU核心利用率。该实现在线程之间传递数据的方式上存在一些瓶颈，并且Python全局解释器锁（GIL）的局限性意味着线程之间经常会相互阻碍，以免取得良好的进展。

通常，即使您的计算机具有16、32、64或更多的内核，该路径最多也只有大约8-12个工作线程才能达到最大吞吐量。（而且，如果您确保sentences尽可能简单（已在内存中已令牌化的列表列表）或从磁盘简单读取以空格分隔的令牌，则将获得最佳的吞吐量。 –但不会重复进行正则表达式预处理/令牌化。）

如果您可以将语料库写到一个文件中，并且每个句子都在一行上，并且所有标记都用一个空格预分隔，则可以改用新的corpus_file选项来指定该文件，并且那么workers到计算机中实际内核数的数量都将各自执行非阻塞工作，从而实现更高的吞吐量/ CPU使用率。