首页
/ 高性能优化版word2vec —— pWord2Vec

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

  1. 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
  2. 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)
  1. 安装numactl包:
sudo yum install numactl (在RedHat/Centos)
sudo apt-get install numactl (在Ubuntu)

快速启动

  1. 下载代码:git clone https://github.com/IntelLabs/pWord2Vec
  2. 运行.install.sh以构建包(例如,下载HyperWords并编译源代码。)
  3. 获取数据:cd data; ./getText8.sh 或 ./getBillion.sh
  4. 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)
  5. 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)
  6. 评估模型:cd sandbox; ./eval.sh 或 cd billion; ./eval.sh

参考文献

  1. 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。
  2. 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

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.93 K
kernelkernel
deepin linux kernel
C
22
6
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
RuoYi-Vue3RuoYi-Vue3
🎉 (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-entropynop-entropy
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
openHiTLSopenHiTLS
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
金融AI编程实战金融AI编程实战
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
CangjieCommunityCangjieCommunity
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
openHiTLS-examplesopenHiTLS-examples
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