fasttext源码学习(1)--dictionary

2024-06-04 17:38

本文主要是介绍fasttext源码学习(1)--dictionary,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

fasttext源码学习(1)–dictionary

前言

fasttext在文本分类方面很厉害,精度高,速度快,模型小(压缩后),总之非常值得学习。花了点时间学习了下源码,本篇主要是与dictionary相关。

dictionary主要存储词语和切分词及对应的id,因为fasttext能处理超大数据集,如果不使用一些方法,只是加载这些内容,内存就很容易爆掉,我们来看看有哪些关键方法。

一 词语数量控制

该方法在Dictionary::readFromFile中调用,截取关键部分如下:

// 简化版
void Dictionary::readFromFile(std::istream& in) {int64_t minThreshold = 1; // [1]while (readWord(in, word)) {add(word);if (size_ > 0.75 * MAX_VOCAB_SIZE) { // [2]minThreshold++;threshold(minThreshold, minThreshold);}}threshold(args_->minCount, args_->minCountLabel); // [3]initTableDiscard();initNgrams();
}

其中threshold函数为一个过滤方法,即按出现频次过滤,小于阈值的被删除,逻辑并不复杂。

// t: 词语频次阈值
// t1: label频次阈值
void Dictionary::threshold(int64_t t, int64_t tl)

这里用到几个控制方法:

  1. 只存储词语和标签

​ while循环里的readWord(in, word)函数并没有做单词的切分,只读取了空格等分割的词语;而add函数内部做了去重,相同的词语只增加了计数。

​ 2.自动过滤

​ 从[1], [2]中可以看出,超出阈值就会自动进行一次过滤, 触发自动过滤的条件是大于 MAX_VOCAB_SIZE的3/4,MAX_VOCAB_SIZE值为3000万,一般情况下,只存储去重后的词语,还是很难触发自动过滤的。

​ 3. 参数控制过滤

​ 从[3]可以看出文件读取完成后,会再次调用threshold,控制参数是minCount,minCountLabel, 可以从控制台输入进行控制,这样即使未触发自动过滤,也会根据用户需要进行词语频次过滤。

使用以上方法可以根据实际需要,将用于存储(包括存储至模型中)的词语数量控制在一定范围内;其中最主要的是只存储词语,因为如果加上切词,可能会使词表迅速膨胀,那切词的信息是如何处理的?

二 ngrams处理

从前面可以看出readFromFile函数是在词语加载完毕之后,才调用了initNgrams函数来初始化ngrams信息,从这个调用逻辑也可以看出dictionary的处理思路,ngrams和words分开处理。

// 简化版
void Dictionary::initNgrams() {for (size_t i = 0; i < size_; i++) {std::string word = BOW + words_[i].word + EOW;if (words_[i].word != EOS) {computeSubwords(word, words_[i].subwords);// [1]}}
}
void Dictionary::computeSubwords(std::string& word,std::vector<int32_t>& ngrams) const {for (size_t i = 0; i < word.size(); i++) {std::string ngram;for (size_t j = i, n = 1; j < word.size() && n <= args_->maxn; n++) {ngram.push_back(word[j++]);if (n >= args_->minn && !(n == 1 && (i == 0 || j == word.size()))) {int32_t h = hash(ngram) % args_->bucket;pushHash(ngrams, h); // [2]}}}
}

从[1]、[2]可以看出,ngram的id是存储在每个word的结构体中的(words_[i].subwords),加载文件时,会计算出该id,供后续的训练时候使用,但是该id并不会存储到模型中,那如何保证每次计算都得出正确的id呢?因为训练中的矩阵计算可不会区分words和ngrams,它们都在一个矩阵中。

三 hash与id

1 words的hash与id

从第一部分可以知道words的初始化是在add函数中,下面列出相关函数:

std::vector<int32_t> word2int_;
std::vector<entry> words_;
void Dictionary::add(const std::string& w) {int32_t h = find(w);ntokens_++;if (word2int_[h] == -1) {entry e;e.word = w;e.count = 1;e.type = getType(w);words_.push_back(e); // [1]word2int_[h] = size_++; // [2]} else {words_[word2int_[h]].count++;}
}

从[1] [2]以及定义可以看出,words_直接push进新的词,words2int_存储hash值与id的对应关系,而新词的id为在数组中的下标,而hash值通过find得出:

// 简化版
int32_t Dictionary::find(const std::string& w) const {return find(w, hash(w));
}
int32_t Dictionary::find(const std::string& w, uint32_t h) const {int32_t word2intsize = word2int_.size();int32_t id = h % word2intsize; // [1]while (word2int_[id] != -1 && words_[word2int_[id]].word != w) {id = (id + 1) % word2intsize; // [2]}return id;
}

其中[1]保证hash值不超过words2int_的大小(不越界), 而[2]是防碰撞策略,线性增加。

2 ngrams的hash与id

与ngrams有关的函数在computeSubwords中:

int32_t h = hash(ngram) % args_->bucket; // [1]
pushHash(ngrams, h); void Dictionary::pushHash(std::vector<int32_t>& hashes, int32_t id) const {hashes.push_back(nwords_ + id); // [2]
}

从[1]处得到id值,[2]中存储前将id加上了nwords_, 而nwords_是词语总数,这时候整个逻辑就很清晰了,words的id在nwords_内,而ngrams的id则会始终大于nwords_, 从而保证id不冲突。但是[1]处的args_->bucket又是怎么回事呢?

四 id与矩阵

训练时,会调用createRandomMatrix函数创建输入矩阵:

Matrix FastText::createRandomMatrix() const {DenseMatrix input = DenseMatrix(dict_->nwords() + args_->bucket, args_->dim); // [1]input->uniform(1.0 / args_->dim, args_->thread, args_->seed);return input;
}

从[1]处可以看出, 输入矩阵的行数为nwords_ + args_->bucket, 结合上面的id的计算,可以看出整个全貌,words的id在前nwords_中;而ngrams的id散列在args_bucket中,加上nwords_的偏移.

而原始的哈希函数反而存在感是最低的:

uint32_t Dictionary::hash(const std::string& str) const {uint32_t h = 2166136261;for (size_t i = 0; i < str.size(); i++) {h = h ^ uint32_t(int8_t(str[i]));h = h * 16777619;}return h;
}

整个过程,hash是辅助手段,保证同样的内容得到同样的hash值,而words和ngrams的id分割则是后续矩阵运算的关键。

总结

从源码阅读的过程中,可以感觉到fasttext对速度的追求,比如words2int_没有使用map,而是通过hash+mod的方法,将查询变为O(1)的复杂度(近似啦); 而hash的使用,words和ngrams的id的分割,使存储量大大减小,很巧妙,值得学习。

附录

源码

官网

这篇关于fasttext源码学习(1)--dictionary的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1030671

相关文章

Python实现无痛修改第三方库源码的方法详解

《Python实现无痛修改第三方库源码的方法详解》很多时候,我们下载的第三方库是不会有需求不满足的情况,但也有极少的情况,第三方库没有兼顾到需求,本文将介绍几个修改源码的操作,大家可以根据需求进行选择... 目录需求不符合模拟示例 1. 修改源文件2. 继承修改3. 猴子补丁4. 追踪局部变量需求不符合很

Spring 中 BeanFactoryPostProcessor 的作用和示例源码分析

《Spring中BeanFactoryPostProcessor的作用和示例源码分析》Spring的BeanFactoryPostProcessor是容器初始化的扩展接口,允许在Bean实例化前... 目录一、概览1. 核心定位2. 核心功能详解3. 关键特性二、Spring 内置的 BeanFactory

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

C#中的 Dictionary常用操作

《C#中的Dictionary常用操作》C#中的DictionaryTKey,TValue是用于存储键值对集合的泛型类,允许通过键快速检索值,并且具有唯一键、动态大小和无序集合的特性,常用操作包括添... 目录基本概念Dictionary的基本结构Dictionary的主要特性Dictionary的常用操作

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操

Go中sync.Once源码的深度讲解

《Go中sync.Once源码的深度讲解》sync.Once是Go语言标准库中的一个同步原语,用于确保某个操作只执行一次,本文将从源码出发为大家详细介绍一下sync.Once的具体使用,x希望对大家有... 目录概念简单示例源码解读总结概念sync.Once是Go语言标准库中的一个同步原语,用于确保某个操

Java汇编源码如何查看环境搭建

《Java汇编源码如何查看环境搭建》:本文主要介绍如何在IntelliJIDEA开发环境中搭建字节码和汇编环境,以便更好地进行代码调优和JVM学习,首先,介绍了如何配置IntelliJIDEA以方... 目录一、简介二、在IDEA开发环境中搭建汇编环境2.1 在IDEA中搭建字节码查看环境2.1.1 搭建步

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06