Gensim的word2vec在第1个时期损失了0？

问题描述

我正在使用Gensim库的Word2vec模块来训练单词嵌入，数据集是400k句子和100k唯一单词（不是英语）

我正在使用此代码来监视和计算损失：

class MonitorCallback(CallbackAny2Vec):
    def __init__(self,test_words):
        self._test_words = test_words

    def on_epoch_end(self,model):
        print("Model loss:",model.get_latest_training_loss())  # print loss
        for word in self._test_words:  # show wv logic changes
            print(model.wv.most_similar(word))


monitor = MonitorCallback(["MyWord"])  # monitor with demo words

w2v_model = gensim.models.word2vec.Word2Vec(size=W2V_SIZE,window=W2V_WINDOW,min_count=W2V_MIN_COUNT,callbacks=[monitor])

w2v_model.build_vocab(tokenized_corpus)

words = w2v_model.wv.vocab.keys()
vocab_size = len(words)
print("Vocab size",vocab_size)

print("[*] Training...")

# Train Word Embeddings
w2v_model.train(tokenized_corpus,total_examples=len(tokenized_corpus),epochs=W2V_EPOCH)

问题是从时期1开始，损失为0，被监视单词的向量根本不变！

[*] Training...
Model loss: 0.0
Model loss: 0.0
Model loss: 0.0
Model loss: 0.0

那么这是什么问题？这正常吗？标记化语料库是列表的列表，类似于tokenized_corpus [0] = [“ word1”，“ word2”，...]

我用google搜索，似乎gensim的某些旧版本在计算损失函数时遇到了问题，但是它们是大约一年前的事，似乎应该立即修复？

我也尝试了此问题的答案中提供的代码，但仍然损失0：

Loss does not decrease during training (Word2Vec,Gensim)

EDIT1：添加了compute_loss = True之后，就会显示出损失，但损失会越来越高，最上面的相似词及其相似性完全不变：

Model loss: 2187903.5
Model loss: 3245492.0
Model loss: 4103624.5
Model loss: 4798541.0
Model loss: 5413940.0
Model loss: 5993822.5
Model loss: 6532631.0
Model loss: 7048384.5
Model loss: 7547147.0

解决方法

代码的主要问题是您没有使用Word2Vec初始化参数来切换损耗跟踪：compute_loss=True

（请参见https://radimrehurek.com/gensim/models/word2vec.html#gensim.models.word2vec.Word2Vec的“参数”部分）

即使有此修复程序，损失报告仍然是相当多的错误（截至gensim-3.8.3和2020年8月的撰写）：

• 这不是人们可能期望的每个时期的总数或每个示例的平均值。 （因此，作为一种解决方法，如果您需要此方法，则回调应记住每个值的末尾的最后一个值并计算增量，或将内部计数器重置为0.0。）
• 在大型培训中肯定会失去准确性，最终变得毫无用处。 （这可能对您来说不是问题。）
• 由于多线程值覆盖，它可能会丢失一些提示。 （这对您来说可能不是一个实际问题，具体取决于您咨询损失价值的原因。）