FastText 词向量模型训练与应用
1. 模型架构： ![image]()
2. 实现代码：
import fasttext
def train_word_embeddings():
# 方法一：执行无监督学习来构建词汇嵌入模型
# trained_model = fasttext.train_unsupervised('./corpus.txt', epoch=1)
# 方法二：存储训练完成的模型
model_file = 'word_vectors.bin'
# trained_model.save_model(model_file)
# 方法三：载入预训练模型，提取特定词汇的向量表示
loaded_model = fasttext.load_model(model_file)
vector_result = loaded_model.get_word_vector('computer')
print(f'vector_shape---》{vector_result.shape}')
print(f'vector_type---》{type(vector_result)}')
# 方法四：检索与目标词汇相似的词语，如查询"technology"可找到相关词汇
similar_words = loaded_model.get_nearest_neighbors('technology')
print(f'similar_words---》{similar_words}')
if __name__ == '__main__':
train_word_embeddings()
3. 无监督训练配置参数： ![image]()
4. 代码功能解析： 此示例展示了如何利用 **NumPy** 和 **PyTorch** 构建一维数据结构，并检查其基本特征。以下是详细分析：
第一部分：NumPy 实现
import numpy as np
data_array = np.array([10, 20, 30, 40, 50])
print(data_array.ndim)
import numpy as np：引入 NumPy 模块，并设置别名np便于后续引用。data_array = np.array([10, 20, 30, 40, 50])：生成一个名为data_array的 **NumPy 数组**，包含 5 个数值 [10, 20, 30, 40, 50]，构成**单维度数组**。print(data_array.ndim)：输出数组data_array的**维度计数**。- 对于单维度数组，
ndim返回值为1。 - 实际输出：**
1**
- 对于单维度数组，
第二部分：PyTorch 实现
import torch
tensor_data = torch.tensor([6, 7, 8, 9, 10])
print(tensor_data.shape)
print(tensor_data.size())
import torch：载入 PyTorch 框架。tensor_data = torch.tensor([6, 7, 8, 9, 10])：创建一个名为tensor_data的 **PyTorch 张量**，内容为 [6, 7, 8, 9, 10]，同样属于**单维度张量**。print(tensor_data.shape)：展示张量tensor_data的**结构信息**。shape属性提供torch.Size对象，描述各个维度的长度。- 针对单维度张量，结构显示为
torch.Size([5])，表明含有 5 个元素。
print(tensor_data.size())：调用张量的size()函数，**其返回值与tensor_data.shape完全一致**，均为torch.Size类型。- 输出结果亦为
torch.Size([5])。
- 输出结果亦为
完整输出结果
当程序正常执行时，终端将显示：
1
torch.Size([5])
torch.Size([5])
附加说明
ndim与shape区别：- NumPy 中
ndim提供维度数量（如单维为 1），shape提供各维度具体尺寸（如(5,)）。 - PyTorch 中不存在
ndim属性，但可用tensor_data.dim()获取维度（此处tensor_data.dim()返回1）。
- NumPy 中
size()函数：在 PyTorch 中，size()返回结构信息，若需获取总元素数应使用tensor_data.numel()（NumPy 中对应data_array.size或np.prod(data_array.shape)）。- 应用场景：该代码通常用于验证 NumPy 和 PyTorch 的安装状态，同时帮助理解张量基础属性。
import numpy as np
data_array = np.array([1, 2, 3, 4, 5])
print(data_array.ndim)
import torch
tensor_data = torch.tensor([1, 2, 3, 4, 5])
print(tensor_data.shape)
print(tensor_data.size())
