高性能优化版word2vec —— pWord2Vec
2024-05-30 04:47:29作者:温艾琴Wonderful
:warning: 重要通知 - 此项目已经由Intel停止维护,但如果你有兴趣独立开发或维护社区的开源软件版本,可以创建自己的fork。
pWord2Vec是一个针对Intel Xeon和Xeon Phi(Knights Landing)处理器优化的C++实现的word2vec工具。它引入了"HogBatch"并行随机梯度下降策略,如在NIPS工作坊论文中详细描述的那样:“Parallelizing Word2Vec in Multi-Core and Many-Core Architectures” 。此外,通过MPI进行数据并行化计算,可以在CPU集群上分布处理任务。
这个代码库是基于Google的原始word2vec实现构建的。
许可证
包中的所有源代码文件均遵循Apache License 2.0。
先决条件
以下软件依赖项需要在UNIX系统上安装:
- Intel Compiler(专为Intel CPU优化)
- OpenMP(在安装Intel编译器后即已包含)
- MKL(建议使用最新版本“16.0.0或更高”)
- MPI库,支持多线程(适用于分布式word2vec的Intel MPI、MPICH2或MVAPICH2)
- HyperWords(用于模型准确性的评估)
- Numactl包(对于多插槽NUMA系统)
环境设置
- 安装Intel C++开发环境(包括Intel编译器、OpenMP、MKL"16.0.0或更高"以及iMPI。部分用户可以获得免费副本)
- 启动Intel C++开发环境:
source /opt/intel/compilers_and_libraries/linux/bin/compilervars.sh intel64 (请指向你的安装路径)
source /opt/intel/impi/latest/compilers_and_libraries/linux/bin/compilervars.sh intel64 (请指向你的安装路径)
- 安装numactl包:
sudo yum install numactl (在RedHat/Centos)
sudo apt-get install numactl (在Ubuntu)
快速启动
- 下载代码:
git clone https://github.com/IntelLabs/pWord2Vec
- 运行
.install.sh
以构建包(例如,下载HyperWords并编译源代码。) - 获取数据:
cd data; ./getText8.sh 或 ./getBillion.sh
- 运行演示脚本:
cd sandbox; ./run_single_text8.sh (单机示例)或 ./run_mpi_text8.sh (分布式w2v示例)
- 在10亿词基准上运行:
cd billion; ./run_single.sh (单机w2v) 或 ./run_mpi.sh (分布式w2v) (请设置ncores为你机器的逻辑核心数)
- 评估模型:
cd sandbox; ./eval.sh 或 cd billion; ./eval.sh
参考文献
- Parallelizing Word2Vec in Shared and Distributed Memory,IEEE Transactions on Parallel and Distributed Systems (IEEE TPDS),Vol. 30, No. 9, 2019年9月1日。
- Parallelizing Word2Vec in Multi-Core and Many-Core Architectures,NIPS工作坊上的高效深度神经网络方法,2016年12月。
如有问题或发现bug,请访问https://grid.cs.gsu.edu/~sji/联系作者。
项目特点
- 高性能优化:特别针对Intel Xeon和Xeon Phi处理器进行了优化,提供更快的训练速度。
- 并行计算:采用"HogBatch"并行SGD算法,实现多核和多芯片架构下的高效并行处理。
- MPI支持:通过MPI实现数据并行化,允许在CPU集群上执行大规模的分布式训练。
- 便捷部署与评估:提供自动下载数据集、一键式训练和模型评估的脚本,方便快速测试和应用。
- 广泛的应用场景:可用于自然语言处理的多个领域,如信息检索、情感分析、语义理解等。
无论你是研究者还是开发者,如果你想在大型文本数据集上快速训练高质量的词向量模型,pWord2Vec都是一个值得尝试的选择。它的高性能和并行化特性将帮助你在有限的时间内获得更深入的洞察力。
登录后查看全文
热门项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0267cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
1 freeCodeCamp音乐播放器项目中的函数调用问题解析2 freeCodeCamp论坛排行榜项目中的错误日志规范要求3 freeCodeCamp猫照片应用教程中的HTML注释测试问题分析4 freeCodeCamp JavaScript高阶函数中的对象引用陷阱解析5 freeCodeCamp全栈开发课程中React实验项目的分类修正6 freeCodeCamp课程视频测验中的Tab键导航问题解析7 freeCodeCamp全栈开发课程中React组件导出方式的衔接问题分析8 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析9 freeCodeCamp课程页面空白问题的技术分析与解决方案10 freeCodeCamp博客页面工作坊中的断言方法优化建议
最新内容推荐
PCDViewer-4.9.0-Ubuntu20.04:专业点云可视化与编辑工具全面解析 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 SAP S4HANA物料管理资源全面解析:从入门到精通的完整指南 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 ZLIB 1.3 静态库 Windows x64 版本:高效数据压缩解决方案完全指南 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 LabVIEW串口通信开发全攻略:从入门到精通的完整解决方案 Windows版Redis 5.0.14下载资源:高效内存数据库的完美Windows解决方案
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.93 K

deepin linux kernel
C
22
6

React Native鸿蒙化仓库
C++
192
274

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
930
553

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
423
392

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.11 K
0

本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
64
511