向量模型的训练 - f

1.结构：

2.代码：

import fasttextdef use_fasttext():#1.无监督训练方法训练词向量模型#model = fasttext.train_unsupervised('./fil9',epoch = 1)#2.保存模型model_path = 'fil9.bin'#model.save_model(model_path)#3.加载模型，查找某个单词的词向量model = fasttext.load_model(model_path)result = model.get_word_vector('the')print(f'result---》{result.shape}')print(f'result---》{type(result)}')#4.查找“运动”邻近读单词，我们可以发现“体育网”，“运动汽车”，“运动服”等result2 = model.get_nearest_neighbors('sports')print(f'result2---》{result2}')if __name__ == '__main__':use_fasttext()

3.无监督方法的一些参数：

4.代码含义：
这段代码演示了如何使用 NumPy 和 PyTorch 创建一维数组（或张量），并查看它们的基本属性。下面逐行解释：

---

1. NumPy 部分

import numpy as np
a = np.array([1, 2, 3, 4, 5])
print(a.ndim)

• import numpy as np：导入 NumPy 库，并用别名 np 方便调用。
• a = np.array([1, 2, 3, 4, 5])：创建一个 NumPy 数组 a，包含 5 个整数元素 [1, 2, 3, 4, 5]。这是一个一维数组。
• print(a.ndim)：打印数组 a 的维度数（number of dimensions）。
  • 对于一维数组，ndim 的值是 1。
  • 输出结果：1。

---

2. PyTorch 部分

import torch
b = torch.tensor([1, 2, 3, 4, 5])
print(b.shape)
print(b.size())

• import torch：导入 PyTorch 库。
• b = torch.tensor([1, 2, 3, 4, 5])：创建一个 PyTorch 张量 b，内容同样是 [1, 2, 3, 4, 5]。这也是一个一维张量。
• print(b.shape)：打印张量 b 的形状（shape）。
  • shape 是一个属性，返回一个 torch.Size 对象，表示各维度的大小。
  • 对于一维张量，形状是 torch.Size([5])，表示有 5 个元素。
• print(b.size())：调用张量的 size() 方法，它返回的结果与 b.shape 完全相同，也是一个 torch.Size 对象。
  • 输出同样是 torch.Size([5])。

---

3. 完整输出

如果代码成功运行，控制台会显示：

1
torch.Size([5])
torch.Size([5])

---

补充说明

• ndim vs shape：
  • NumPy 中 ndim 给出维度数量（例如一维为 1），shape 给出各维度具体大小（例如 (5,)）。
  • PyTorch 中没有 ndim 属性，但可以用 b.dim() 获取维度数（这里 b.dim() 返回 1）。
• size() 方法：在 PyTorch 中，size() 返回形状，而获取元素总数应使用 b.numel()（NumPy 中对应 a.size 或 np.prod(a.shape)）。
• 用途：这段代码常用于验证 NumPy 和 PyTorch 是否正确安装，以及熟悉张量的基本属性。

import numpy as np
a=np.array([1,2,3,4,5])
print(a.ndim)import torch
b=torch.tensor([1,2,3,4,5])
print(b.shape)
print(b.size())