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
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
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~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-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。00openHiTLS
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!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
176
261

🎉 (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
860
511

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

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
259
300

deepin linux kernel
C
22
5

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
596
57

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
1.07 K
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K