word2vec源码断断续续看了好几遍了，基本理清了流程和一些trick，添加了注释。 具体很多细节可以参考文末的参考链接，很详细。
#include <iostream>
#include <stdio.h>
#include <stdlib.h>
#include <math.h>
#include <pthread.h>
#define MAX_STRING 100 //词最大长度
#define EXP_TABLE_SIZE 1000 //sigmoid函数近似区域的切割段数
#define MAX_EXP 6 //sigmoid 近似区间 -6~6
#define MAX_CODE_LENGTH 40 //huffman编码的最大长度
const int vocab_hash_size = 30000000; //词汇hash表大小 30*0.7 = 21M 词
typedef float real;
struct vocab_word
{
long long cn; //词频
int *point; // huffman编码对应内节点的路径
char *word, *code, codelen; //词，huffman编码，编码长度
};
char train_file[MAX_STRING], output_file[MAX_STRING];
char save_vocab_file[MAX_STRING], read_vocab_file[MAX_STRING];
struct vocab_word *vocab;
//是否将Mode保存到二进制文件中、cbow模型、调试模式、窗口大小、最小词频、线程数、去除词频小余某值的词频
int binary = 0, cbow = 0, debug_mode = 2, window = 5, min_count = 5, num_thread = 12, min_reduce = 1;
int *vocab_hash; //存放词在字典中的位置。 例如，'a'计算出的hash为10000, 则vocab_hash[10000]存放的是'a'在词典中的位置。区分hash值和词典中的索引值
//定义词的最大数量（不足时会增加）， 词汇数量， 词向量纬度
long long vocab_max_size = 1000, vocab_size = 0, layer1_size = 100;
//训练词数量(词*词频之和)、当前已处理过的词数、迭代次数、文件数目、是否需要将词汇使用k-means归类
long long train_words = 0, word_count_actual = 0, iter = 5, file_size = 0, classes = 0;
//学习率， 起始学习率，词频阈值（用来将词频过大的词去除）
real alpha = 0.025, starting_alpha, sample = 1e-3;
//词向量数组、huffman非叶子节点的向量、negitive 模式下的非叶子节点的向量，sigmoid查询表
real *syn0, *syn1, *syn1neg, *expTable;
clock_t start;
//是否hierarchical softmax, 负采样数量
int hs = 0, negative = 5;
//负采样使用的表及大小
const int table_size = 1e8;
int *table;
//如果是采用负采样的方法，此时还需要初始化每个词被选中的概率。在所有的词构成的词典中，每一个词出现的频率有高有低，
//我们希望，对于那些高频的词，被选中成为负样本的概率要大点，同时，对于那些出现频率比较低的词，我们希望其被选中成为负样本的频率低点
//每个单词的能量分布表，table在负样本抽样中用到
void InitUnigramTable()
{
int a, i;
double train_words_pow = 0;
double d1, power = 0.75;
table = (int *)malloc(table_size * sizeof(int));
//遍历词汇表，统计词的能量总值。 pow(x, y)函数用于求x的y次方
for (a = 0; a < vocab_size; a++)
train_words_pow += pow(vocab[a].cn, power);
i = 0;
d1 = pow(vocab[i].cn, power) / train_words_pow;
for (a = 0; a < table_size; a++)
{
table[a] = i;
if (a / (double)table_size > d1)
{
i++;
d1 += pow(vocab[i].cn, power) / train_words_pow;
}
if (i >= vocab_size)
i = vocab_size - 1;
}
}
//从文件中读取一个词
void ReadWord(char *word, FILE *fin)
{
int a = 0, ch;
while (!feof(fin))
{
ch = fgetc(fin);
if (ch == 13) //回车键
continue;
if ((ch == ' ') || (ch == '/t') || (ch == '/n'))
{
if (a > 0)
{
if (ch == '/n') //读到换行符，将它回吐，以便下次添加"</s>"
ungetc(ch, fin);
break; //已经有了有效的字符，则函数退出
}
if (ch == '/n')
{
strcpy(word, (char *)"</s>"); //添加新文本开始标志
return;
}
else
continue;
}
word[a] = ch;
a++;
if (a >= MAX_STRING - 1)
a--; //最后一个字符会被反复覆盖。 最后还会被0覆盖，所以应该可以直接返回了
}
word[a] = 0;
}
//返回一个词的hash值。 可能会冲突
int GetWordHash(char *word)
{
unsigned long long a, hash = 0;
for (a = 0; a < strlen(word); a++)
hash = hash * 257 + word[a];
hash = hash % vocab_hash_size;
return hash;
}
//返回一个词在词汇表中的位置，如果不存在则返回-1
int SearchVocab(char *word)
{
unsigned int hash = GetWordHash(word);
while (1)
{
if (vocab_hash[hash] == -1)
return -1;
if (!strcmp(word, vocab[vocab_hash[hash]].word))
return vocab_hash[hash];
hash = (hash + 1) % vocab_hash_size;
}
return -1;
}
//从文件中读取一个词，并返回它在词汇表中的位置
int ReadWordIndex(FILE *fin)
{
char word[MAX_STRING];
ReadWord(word, fin);
if (feof(fin))
return -1;
return SearchVocab(word);
}
//将一个词添加到词汇中
int AddWordToVocab(char * word)
{
unsigned int hash, length = strlen(word) + 1; //+1 是因为strlen不包含'/0'
if (length > MAX_STRING)
length = MAX_STRING;
vocab[vocab_size].word = (char *)calloc(length, sizeof(char));
strcpy(vocab[vocab_size].word, word);
vocab[vocab_size].cn = 0;
vocab_size++;
//如果需要重新分配内存. reallocate memory if needed
if (vocab_size + 2 >= vocab_max_size)
{
vocab_max_size += 1000;
vocab = (struct vocab_word *)realloc(vocab, vocab_max_size * sizeof(vocab_word));
}
hash = GetWordHash(word);
while (vocab_hash[hash] != -1)
hash = (hash + 1) % vocab_hash_size; //开放地址法解决冲突
vocab_hash[hash] = vocab_size - 1;
return vocab_size - 1;
}
//词按照词频排序
int VocabCompare(const char *w1, const char *w2)
{
return ((struct vocab_word *)w1)->cn - ((struct vocab_word *)w2)->cn;
}
//排序
void SortVocab()
{
int a, size;
unsigned int hash;
//sort the vocabulary and keep </s> at the first palce
qsort(&vocab[1], vocab_size - 1, sizeof(vocab_word), Vocabcompare);
for (a = 0; a < vocab_hash_size; a++)
vocab_hash[a] = -1;
size = vocab_size;
train_words = 0;
for (a = 0; a < size; a++)
{
//词频太小删除
if (vocab[a].cn < min_count)
{
vocab_size--;
free(vocab[a].word);
}
else
{
//计算hash 值
hash = GetWordHash(vocab[a].word);
while (vocab_hash[hash] == -1)
hash = (hash + 1) % vocab_hash_size;
vocab_hash[hash] = a;
train_words += vocab[a].cn;
}
}
vocab = (struct vocab_word *)realloc(vocab, (vocab_size + 1) * sizeof(struct vocab_word));
//增加数组大小，为创建huffman树准备
for (a = 0; a < vocab_size; a++)
{
vocab[a].code = (char *)calloc(MAX_CODE_LENGTH, sizeof(char));
vocab[a].point = (int *)calloc(MAX_CODE_LENGTH, sizeof(int));
}
}
//再次移除词频过小的词，缩减词汇表
void ReduceVocab()
{
int a, b = 0;
unsigned int hash;
for (a = 0; a < vocab_size; a++)
if (vocab[a].cn > min_reduce)
{
vocab[b].cn = vocab[a].cn;
vocab[b].word = vocab[a].word;
b++;
}
else
free(vocab[a].word);
vocab_size = b;
for (a = 0; a < vocab_hash_size; a++)
vocab_hash[a] = -1;
for (a = 0; a < vocab_size; a++)
{
hash = GetWordHash(vocab[a].word);
while (vocab_hash[hash] != -1)
hash = (hash + 1) % vocab_hash_size;
vocab_hash[hash] = a;
}
fflush(stdout); //??
min_reduce++; //支持反复去除低频词
}
//使用词频创建huffman树，高频词得到更短的二进制编码
void CreateBinaryTree()
{
long long a, b, i, min1i, min2i, pos1, pos2, point[MAX_CODE_LENGTH];
char code[MAX_CODE_LENGTH];
long long *count = (long long *)calloc(vocab_size * 2 + 1, sizeof(long long));
long long *binary = (long long *)calloc(vocab_size * 2 + 1, sizeof(long long));
long long *parent_node = (long long *)calloc(vocab_size * 2 + 1, sizeof(long long));
//初始化count。 前vocab_size存储的是每个词的词频
for (a = 0; a < vocab_size; a++)
count[a] = vocab[a].cn; //注意，词库中的词是按照降序排列的
//后面初始化为很大的数
for (a = vocab_size; a < vocab_size * 2; a++)
count[a] = 1e15;
pos1 = vocab_size - 1;
pos2 = vocab_size;
// Following algorithm constructs the Huffman tree by adding one node at a time
for (a = 0; a < vocab_size - 1; a++)
{
// First, find two smallest nodes 'min1, min2' 找出目前权值最小的两个节点
if (pos1 >= 0)//第一个权值最小的节点
{
if (count[pos1] < count[pos2])
{
min1i = pos1;
pos1--;
}
else
{
min1i = pos2;
pos2++;
}
}
else
{
min1i = pos2;
pos2++;
}
if (pos1 >= 0)//第二个权值最小的节点
{
if (count[pos1] < count[pos2])
{
min2i = pos1;
pos1--;
}
else
{
min2i = pos2;
pos2++;
}
}
else
{
min2i = pos2;
pos2++;
}
count[vocab_size + a] = count[min1i] + count[min2i]; //新节点的词频
parent_node[min1i] = vocab_size + a; //记录父节点
parent_node[min2i] = vocab_size + a;
binary[min2i] = 1;//两个节点中词频大的节点编码为1
}
// Now assign binary code to each vocabulary word
for (a = 0; a < vocab_size; a++)
{
b = a;
i = 0;
while (1)
{
code[i] = binary[b];
point[i] = b;
i++;
b = parent_node[b];
if (b == vocab_size * 2 - 2) break;
}
vocab[a].codelen = i; //词的编码长度
vocab[a].point[0] = vocab_size - 2;
for (b = 0; b < i; b++)
{
vocab[a].code[i - b - 1] = code[b]; //反转编码，左子树的节点（词频小）编码为1
vocab[a].point[i - b] = point[b] - vocab_size;//记录从根节点到叶子节点的路径
}
}
free(count);
free(binary);
free(parent_node);
}
//从训练文件中统计词频
void LearnVocabFromTrainFile() {
char word[MAX_STRING];
FILE *fin;
long long a, i;
for (a = 0; a < vocab_hash_size; a++) vocab_hash[a] = -1;
fin = fopen(train_file, "rb");
if (fin == NULL) {
printf("ERROR: training data file not found!/n");
exit(1);
}
vocab_size = 0;
AddWordToVocab((char *)"</s>");
while (1) {
ReadWord(word, fin);
if (feof(fin)) break;
train_words++;
if ((debug_mode > 1) && (train_words % 100000 == 0)) {
printf("%lldK%c", train_words / 1000, 13);
fflush(stdout);
}
i = SearchVocab(word); //词在词汇表中的位置
if (i == -1) { //不存在
a = AddWordToVocab(word);
vocab[a].cn = 1; //词频
} else vocab[i].cn++;
if (vocab_size > vocab_hash_size * 0.7) ReduceVocab();
}
SortVocab();
if (debug_mode > 0) {
printf("Vocab size: %lld/n", vocab_size);
printf("Words in train file: %lld/n", train_words);
}
file_size = ftell(fin);
fclose(fin);
}
void SaveVocab() {
long long i;
FILE *fo = fopen(save_vocab_file, "wb");
for (i = 0; i < vocab_size; i++) fprintf(fo, "%s %lld/n", vocab[i].word, vocab[i].cn);
fclose(fo);
}
void ReadVocab() {
long long a, i = 0;
char c;
char word[MAX_STRING];
FILE *fin = fopen(read_vocab_file, "rb");
if (fin == NULL) {
printf("Vocabulary file not found/n");
exit(1);
}
for (a = 0; a < vocab_hash_size; a++) vocab_hash[a] = -1;
vocab_size = 0;
while (1) {
ReadWord(word, fin); //读取一个词
if (feof(fin)) break;
a = AddWordToVocab(word);
fscanf(fin, "%lld%c", &vocab[a].cn, &c); //读取词频。 c用来读取换行符
i++;
}
SortVocab();
if (debug_mode > 0) {
printf("Vocab size: %lld/n", vocab_size);
printf("Words in train file: %lld/n", train_words);
}
fin = fopen(train_file, "rb");
if (fin == NULL) {
printf("ERROR: training data file not found!/n");
exit(1);
}
fseek(fin, 0, SEEK_END); //此处fseek将fin指向以SEEK_END为基准、偏移0个字节的位置
file_size = ftell(fin); //ftell得到文件位置指针相对于文件首的偏移字节数, 此处为文件大小
fclose(fin);
}
void InitNet() {
long long a, b;
unsigned long long next_random = 1;
//内存申请及对齐
a = posix_memalign((void **)&syn0, 128, (long long)vocab_size * layer1_size * sizeof(real));// layer1_size是词向量纬度
if (syn0 == NULL) {printf("Memory allocation failed/n"); exit(1);}
//分别为hs和ng初始化映射层到输出层的权重
if (hs) { //采用hierarchical softmax
a = posix_memalign((void **)&syn1, 128, (long long)vocab_size * layer1_size * sizeof(real));
if (syn1 == NULL) {printf("Memory allocation failed/n"); exit(1);}
for (a = 0; a < vocab_size; a++) for (b = 0; b < layer1_size; b++)
syn1[a * layer1_size + b] = 0;
}
if (negative>0) { //采用negative sampling
a = posix_memalign((void **)&syn1neg, 128, (long long)vocab_size * layer1_size * sizeof(real));
if (syn1neg == NULL) {printf("Memory allocation failed/n"); exit(1);}
for (a = 0; a < vocab_size; a++) for (b = 0; b < layer1_size; b++)
syn1neg[a * layer1_size + b] = 0;
}
//初始化输入层（词向量层)
for (a = 0; a < vocab_size; a++) for (b = 0; b < layer1_size; b++) {
next_random = next_random * (unsigned long long)25214903917 + 11; //一个很大的值
//先用0xFFFF（65536）截断； 除以65536，范围到[0,1]之间； -0.5使范围到[-0.5, 0.5]之间；再除以词向量的纬度
//最终词向量每一维的值范围为：[-0.5/layer1_size, 0.5/layer1_size]
syn0[a * layer1_size + b] = (((next_random & 0xFFFF) / (real)65536) - 0.5) / layer1_size;
}
CreateBinaryTree();
}
void *TrainModelThread(void *id) {
long long a, b, d, cw, word, last_word, sentence_length = 0, sentence_position = 0;
long long word_count = 0, last_word_count = 0, sen[MAX_SENTENCE_LENGTH + 1];
long long l1, l2, c, target, label, local_iter = iter;
unsigned long long next_random = (long long)id;
real f, g;
clock_t now;
real *neu1 = (real *)calloc(layer1_size, sizeof(real));
real *neu1e = (real *)calloc(layer1_size, sizeof(real));
FILE *fi = fopen(train_file, "rb");
//每个线程处理file_size / num_threads 大小的文本
fseek(fi, file_size / (long long)num_threads * (long long)id, SEEK_SET);
while (1) {
if (word_count - last_word_count > 10000) {
word_count_actual += word_count - last_word_count;
last_word_count = word_count;
if ((debug_mode > 1)) {
now=clock();
printf("%cAlpha: %f Progress: %.2f%% Words/thread/sec: %.2fk ", 13, alpha,
word_count_actual / (real)(iter * train_words + 1) * 100,
word_count_actual / ((real)(now - start + 1) / (real)CLOCKS_PER_SEC * 1000));
fflush(stdout);
}
//自适应学习率。 此处每处理完10000个词，调整一次学习率； 其中word_count_actual表示当前已经处理过的次数； train_words
//表示所有词的频率之和， +1 为了防止分母为0
alpha = starting_alpha * (1 - word_count_actual / (real)(iter * train_words + 1));
if (alpha < starting_alpha * 0.0001) alpha = starting_alpha * 0.0001; //学习率不能过小
}
if (sentence_length == 0) {
while (1) {
word = ReadWordIndex(fi);
if (feof(fi)) break;
if (word == -1) continue;
word_count++;
if (word == 0) break;
// The subsampling randomly discards frequent words while keeping the ranking same
if (sample > 0) {
real ran = (sqrt(vocab[word].cn / (sample * train_words)) + 1) * (sample * train_words) / vocab[word].cn;
next_random = next_random * (unsigned long long)25214903917 + 11;
if (ran < (next_random & 0xFFFF) / (real)65536) continue;
}
sen[sentence_length] = word;
sentence_length++;
if (sentence_length >= MAX_SENTENCE_LENGTH) break;
}
sentence_position = 0;
}
if (feof(fi) || (word_count > train_words / num_threads)) {
word_count_actual += word_count - last_word_count;
local_iter--;
if (local_iter == 0) break;
word_count = 0;
last_word_count = 0;
sentence_length = 0;
fseek(fi, file_size / (long long)num_threads * (long long)id, SEEK_SET);
continue;
}
word = sen[sentence_position];
if (word == -1) continue;
for (c = 0; c < layer1_size; c++) neu1[c] = 0;
for (c = 0; c < layer1_size; c++) neu1e[c] = 0;
next_random = next_random * (unsigned long long)25214903917 + 11;
b = next_random % window;
if (cbow) { //train the cbow architecture
// in -> hidden , 输入层到映射层
cw = 0; //count of word
for (a = b; a < window * 2 + 1 - b; a++) if (a != window) {
c = sentence_position - window + a;
//判断c是否越界
if (c < 0) continue;
if (c >= sentence_length) continue;
last_word = sen[c]; //c对应的索引
if (last_word == -1) continue;
//累加窗口内词向量
for (c = 0; c < layer1_size; c++) neu1[c] += syn0[c + last_word * layer1_size];
cw++;
}
if (cw) {
for (c = 0; c < layer1_size; c++) neu1[c] /= cw; //计算词向量平均值
if (hs) for (d = 0; d < vocab[word].codelen; d++) { //word为当前词
//计算输出层的输出
f = 0;
l2 = vocab[word].point[d] * layer1_size; // 第d个词的权重
// Propagate hidden -> output
for (c = 0; c < layer1_size; c++) f += neu1[c] * syn1[c + l2];
if (f <= -MAX_EXP) continue;
else if (f >= MAX_EXP) continue;
else f = expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))];//sigmoid结果
// 'g' is the gradient multiplied by the learning rate
g = (1 - vocab[word].code[d] - f) * alpha;
// Propagate errors output -> hidden
for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1[c + l2]; //修改映射后的结果
// Learn weights hidden -> output
for (c = 0; c < layer1_size; c++) syn1[c + l2] += g * neu1[c]; //修改映射层到输出层的权重
}
// NEGATIVE SAMPLING
if (negative > 0) for (d = 0; d < negative + 1; d++) {
//选出正样本及负样本。 正样本就是word自身，窗口内的其他词为负样本
//标记target和label
if (d == 0) {
target = word;
label = 1;
} else {
next_random = next_random * (unsigned long long)25214903917 + 11;
target = table[(next_random >> 16) % table_size];
if (target == 0) target = next_random % (vocab_size - 1) + 1;
if (target == word) continue;
label = 0;
}
l2 = target * layer1_size;
f = 0;
for (c = 0; c < layer1_size; c++) f += neu1[c] * syn1neg[c + l2];
//更新映射后的结果及映射层到输出层的权重
if (f > MAX_EXP) g = (label - 1) * alpha;
else if (f < -MAX_EXP) g = (label - 0) * alpha;
else g = (label - expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))]) * alpha;
for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1neg[c + l2];
for (c = 0; c < layer1_size; c++) syn1neg[c + l2] += g * neu1[c];
}
// hidden -> in. 更新窗口内的词的向量, hs和ng一样更新方法
for (a = b; a < window * 2 + 1 - b; a++) if (a != window) {
c = sentence_position - window + a;
if (c < 0) continue;
if (c >= sentence_length) continue;
last_word = sen[c];
if (last_word == -1) continue;
for (c = 0; c < layer1_size; c++) syn0[c + last_word * layer1_size] += neu1e[c];
}
}
} else { //train skip-gram
//使用当前次循环预测窗口中的其他词，
for (a = b; a < window * 2 + 1 - b; a++) if (a != window) {
c = sentence_position - window + a;
if (c < 0) continue;
if (c >= sentence_length) continue;
last_word = sen[c];
if (last_word == -1) continue;
l1 = last_word * layer1_size;
for (c = 0; c < layer1_size; c++) neu1e[c] = 0;
// HIERARCHICAL SOFTMAX
if (hs) for (d = 0; d < vocab[word].codelen; d++) {
f = 0;
l2 = vocab[word].point[d] * layer1_size;
// Propagate hidden -> output
for (c = 0; c < layer1_size; c++) f += syn0[c + l1] * syn1[c + l2];
if (f <= -MAX_EXP) continue;
else if (f >= MAX_EXP) continue;
else f = expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))];
// 'g' is the gradient multiplied by the learning rate
g = (1 - vocab[word].code[d] - f) * alpha;
// Propagate errors output -> hidden
for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1[c + l2];
// Learn weights hidden -> output
for (c = 0; c < layer1_size; c++) syn1[c + l2] += g * syn0[c + l1];
}
// NEGATIVE SAMPLING
if (negative > 0) for (d = 0; d < negative + 1; d++) {
if (d == 0) {
target = word;
label = 1;
} else {
next_random = next_random * (unsigned long long)25214903917 + 11;
target = table[(next_random >> 16) % table_size];
if (target == 0) target = next_random % (vocab_size - 1) + 1;
if (target == word) continue;
label = 0;
}
l2 = target * layer1_size;
f = 0;
for (c = 0; c < layer1_size; c++) f += syn0[c + l1] * syn1neg[c + l2];
if (f > MAX_EXP) g = (label - 1) * alpha;
else if (f < -MAX_EXP) g = (label - 0) * alpha;
else g = (label - expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))]) * alpha;
for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1neg[c + l2];
for (c = 0; c < layer1_size; c++) syn1neg[c + l2] += g * syn0[c + l1];
}
// Learn weights input -> hidden
for (c = 0; c < layer1_size; c++) syn0[c + l1] += neu1e[c];
}
}
sentence_position++;
if (sentence_position >= sentence_length) {
sentence_length = 0;
continue;
}
}
fclose(fi);
free(neu1);
free(neu1e);
pthread_exit(NULL);
}
void TrainModel() {
long a, b, c, d;
FILE *fo;
pthread_t *pt = (pthread_t *)malloc(num_threads * sizeof(pthread_t));
printf("Starting training using file %s/n", train_file);
starting_alpha = alpha;
//读取词汇文件还是从训练文件中学习
if (read_vocab_file[0] != 0) ReadVocab(); else LearnVocabFromTrainFile();
if (save_vocab_file[0] != 0) SaveVocab();
if (output_file[0] == 0) return;
InitNet();
if (negative > 0) InitUnigramTable();
start = clock();
for (a = 0; a < num_threads; a++) pthread_create(&pt[a], NULL, TrainModelThread, (void *)a);//创建线程
for (a = 0; a < num_threads; a++) pthread_join(pt[a], NULL);
fo = fopen(output_file, "wb");
if (classes == 0) { //不分类直接保存
// Save the word vectors
fprintf(fo, "%lld %lld/n", vocab_size, layer1_size);
for (a = 0; a < vocab_size; a++) {
fprintf(fo, "%s ", vocab[a].word);
if (binary) for (b = 0; b < layer1_size; b++) fwrite(&syn0[a * layer1_size + b], sizeof(real), 1, fo);
else for (b = 0; b < layer1_size; b++) fprintf(fo, "%lf ", syn0[a * layer1_size + b]);
fprintf(fo, "/n");
}
} else { //使用kmeans聚类
// Run K-means on the word vectors
int clcn = classes, iter = 10, closeid;
int *centcn = (int *)malloc(classes * sizeof(int));
int *cl = (int *)calloc(vocab_size, sizeof(int));
real closev, x;
real *cent = (real *)calloc(classes * layer1_size, sizeof(real));
for (a = 0; a < vocab_size; a++) cl[a] = a % clcn;
for (a = 0; a < iter; a++) {
for (b = 0; b < clcn * layer1_size; b++) cent[b] = 0;
for (b = 0; b < clcn; b++) centcn[b] = 1;
for (c = 0; c < vocab_size; c++) {
for (d = 0; d < layer1_size; d++) cent[layer1_size * cl[c] + d] += syn0[c * layer1_size + d];
centcn[cl[c]]++;
}
for (b = 0; b < clcn; b++) {
closev = 0;
for (c = 0; c < layer1_size; c++) {
cent[layer1_size * b + c] /= centcn[b];
closev += cent[layer1_size * b + c] * cent[layer1_size * b + c];
}
closev = sqrt(closev);
for (c = 0; c < layer1_size; c++) cent[layer1_size * b + c] /= closev;
}
for (c = 0; c < vocab_size; c++) {
closev = -10;
closeid = 0;
for (d = 0; d < clcn; d++) {
x = 0;
for (b = 0; b < layer1_size; b++) x += cent[layer1_size * d + b] * syn0[c * layer1_size + b];
if (x > closev) {
closev = x;
closeid = d;
}
}
cl[c] = closeid;
}
}
// Save the K-means classes
for (a = 0; a < vocab_size; a++) fprintf(fo, "%s %d/n", vocab[a].word, cl[a]);
free(centcn);
free(cent);
free(cl);
}
fclose(fo);
}
int ArgPos(char *str, int argc, char **argv)
{
int a;
for (a = 1; a < argc; a++)
{
if (!strcmp(str, argv[a]))
{
if (a == argc - 1) //参数出现在最后，但是没有指定值
{
printf("Argument missing for %s/n", str);
exit(1);
}
return a;
}
}
return -1;
}
int main(int argc, char ** argv) {
std::cout << "Hello, World!" << std::endl;
if (argc == 1)
{
printf("Options:/n");
printf("Parameters for training:/n");
printf("/t-train <file>/n");
printf("/t/tUse text data from <file> to train the model/n");
printf("/t-output <file>/n");
printf("/t/tUse <file> to save the resulting word vectors / word clusters/n");
printf("/t-size <int>/n");
printf("/t/tSet size of word vectors; default is 100/n");
printf("/t-window <int>/n");
printf("/t/tSet max skip length between words; default is 5/n");
printf("/t-sample <float>/n");
printf("/t/tSet threshold for occurrence of words. Those that appear with higher frequency in the training data/n");
printf("/t/twill be randomly down-sampled; default is 1e-3, useful range is (0, 1e-5)/n");
printf("/t-hs <int>/n");
printf("/t/tUse Hierarchical Softmax; default is 0 (not used)/n");
printf("/t-negative <int>/n");
printf("/t/tNumber of negative examples; default is 5, common values are 3 - 10 (0 = not used)/n");
printf("/t-threads <int>/n");
printf("/t/tUse <int> threads (default 12)/n");
printf("/t-iter <int>/n");
printf("/t/tRun more training iterations (default 5)/n");
printf("/t-min-count <int>/n");
printf("/t/tThis will discard words that appear less than <int> times; default is 5/n");
printf("/t-alpha <float>/n");
printf("/t/tSet the starting learning rate; default is 0.025 for skip-gram and 0.05 for CBOW/n");
printf("/t-classes <int>/n");
printf("/t/tOutput word classes rather than word vectors; default number of classes is 0 (vectors are written)/n");
printf("/t-debug <int>/n");
printf("/t/tSet the debug mode (default = 2 = more info during training)/n");
printf("/t-binary <int>/n");
printf("/t/tSave the resulting vectors in binary moded; default is 0 (off)/n");
printf("/t-save-vocab <file>/n");
printf("/t/tThe vocabulary will be saved to <file>/n");
printf("/t-read-vocab <file>/n");
printf("/t/tThe vocabulary will be read from <file>, not constructed from the training data/n");
printf("/t-cbow <int>/n");
printf("/t/tUse the continuous bag of words model; default is 1 (use 0 for skip-gram model)/n");
printf("/nExamples:/n");
printf("./word2vec -train data.txt -output vec.txt -size 200 -window 5 -sample 1e-4 -negative 5 -hs 0 -binary 0 -cbow 1 -iter 3/n/n");
return 0;
}
output_file[0] = 0;
save_vocab_file[0] = 0;
read_vocab_file[0] = 0;
if ((i = ArgPos((char *)"-size", argc, argv)) > 0) layer1_size = atoi(argv[i + 1]);
if ((i = ArgPos((char *)"-train", argc, argv)) > 0) strcpy(train_file, argv[i + 1]);
if ((i = ArgPos((char *)"-save-vocab", argc, argv)) > 0) strcpy(save_vocab_file, argv[i + 1]);
if ((i = ArgPos((char *)"-read-vocab", argc, argv)) > 0) strcpy(read_vocab_file, argv[i + 1]);
if ((i = ArgPos((char *)"-debug", argc, argv)) > 0) debug_mode = atoi(argv[i + 1]);
if ((i = ArgPos((char *)"-binary", argc, argv)) > 0) binary = atoi(argv[i + 1]);
if ((i = ArgPos((char *)"-cbow", argc, argv)) > 0) cbow = atoi(argv[i + 1]);
if (cbow) alpha = 0.05;
if ((i = ArgPos((char *)"-alpha", argc, argv)) > 0) alpha = atof(argv[i + 1]);
if ((i = ArgPos((char *)"-output", argc, argv)) > 0) strcpy(output_file, argv[i + 1]);
if ((i = ArgPos((char *)"-window", argc, argv)) > 0) window = atoi(argv[i + 1]);
if ((i = ArgPos((char *)"-sample", argc, argv)) > 0) sample = atof(argv[i + 1]);
if ((i = ArgPos((char *)"-hs", argc, argv)) > 0) hs = atoi(argv[i + 1]);
if ((i = ArgPos((char *)"-negative", argc, argv)) > 0) negative = atoi(argv[i + 1]);
if ((i = ArgPos((char *)"-threads", argc, argv)) > 0) num_threads = atoi(argv[i + 1]);
if ((i = ArgPos((char *)"-iter", argc, argv)) > 0) iter = atoi(argv[i + 1]);
if ((i = ArgPos((char *)"-min-count", argc, argv)) > 0) min_count = atoi(argv[i + 1]);
if ((i = ArgPos((char *)"-classes", argc, argv)) > 0) classes = atoi(argv[i + 1]);
vocab = (struct vocab_word *)calloc(vocab_max_size, sizeof(struct vocab_word));
vocab_hash = (int *)calloc(vocab_hash_size, sizeof(int));
expTable = (real *)malloc((EXP_TABLE_SIZE + 1) * sizeof(real));
for (i = 0; i < EXP_TABLE_SIZE; i++) {
expTable[i] = exp((i / (real)EXP_TABLE_SIZE * 2 - 1) * MAX_EXP); // Precompute the exp() table
expTable[i] = expTable[i] / (expTable[i] + 1); // Precompute f(x) = x / (x + 1)
}
TrainModel();
return 0;
}
参考：
http://blog.csdn.net/google19890102/article/details/51887344
http://blog.csdn.net/lingerlanlan/article/details/38232755
http://blog.csdn.net/itplus/article/details/37999613
http://blog.csdn.net/u014595019/article/details/51884529
https://www.zhihu.com/question/21661274
原创文章，作者：Maggie-Hunter，如若转载，请注明出处：https://blog.ytso.com/9329.html