型号 1000 但数量是 32 – 怎么办？
我正在尝试使用这个 1000 维维基百科模型来分析一些文档。
通过内省，我发现一个单词的向量表示是一个 1000 维的 numpy。 但每当我尝试创建一个来查找最接近的单词时，我都会收到一个值错误：
：对于 32，找到 1000
我在网上查了一下，32确实是支持的最大维度数——那么给出了什么？ 如何输出1000个维度？
这是一些示例代码：
10
11
12
doc = [model[word] for word in text if word in model.vocab]
输出 = []
n = 长度（文档[0]）
打印（n）
打印（len（模型[“你好”]））
打印（类型（文档[0]））
对于范围 (n) 内的 i：
总和 = 0
对于 doc 中的 d：
总和 += d[i]
输出。（总和/n）
输出 = np.(输出)
输出：
1000
1000
：对于 32，找到 1000
这里的目标是计算语料库中所有单词的平均向量，其格式可用于查找模型中附近的单词，因此欢迎任何替代建议。
您正在使用 1000 个数字的列表调用 numpy 的 () 构造函数——您手动计算的 1000 个维度中每个维度的平均值。
() 函数期望其参数是构造矩阵的形状，因此它尝试创建形状为 (d[0], d[1], …, d[999]) 的新矩阵 – 然后在该矩阵的每个单独值都将使用 1000-int 坐标进行设置。 此外，numpy 数组确实只能有 32 个独立维度。
但是，即使您将提供给 () 的列表减少到仅 32 个数字，您仍然会遇到问题，因为您的 32 个数字是浮点值，而 () 需要整数计数。 （你会得到一个。）
按照您想要做的事情（这不是我们下面将介绍的最佳方式），您确实想要创建一个具有 1000 个浮点维度的单个向量。 也就是说，1000 个相似的单元格值 – 不是 d[0] * d[1] * … * d[999] 个单独的相似单元格值。
因此，按照原始方法的粗略解决方法可能是将最后一行替换为：
= np.(len(d))
对于范围内的 i(len(d))：
[i] = d[i]
但是有一些方法可以逐步提高效率、紧凑性和习惯用法——我将在下面提到其中一些方法，尽管最好的方法基本上是不必要的。
首先，您可以使用括号来索引赋值选项，而不是上面代码中的赋值循环：
= np.(len(d))
[:] = d # 与带循环的 3 行相同
但事实上，numpy\ 的 array() 函数本质上可以从给定列表创建必要的 numpy- ，因此您可以直接使用 array() 来代替 () ：
= np.array(d) # 与 2 行相同
但更进一步，numpy 的许多用于处理数组（和类似数组的列表）的本机函数已经包含了一步对多个向量进行平均的功能（甚至循环也隐藏在非常高效的编译代码或 CPU 密集型向量操作中） ）。 例如，有一个 Mean() 函数，可以对数字列表、多维数字数组或对齐的向量集等进行平均。
这允许一种更快、更干净、单行的方法，可以用以下代码替换整个原始代码：
# 获取单词列表 –
doc = [model[word] for word in text if word in model.vocab]
＃ 所有那些
输出 = np. 平均值（文档，轴=0）
（如果没有轴参数，它将所有槽中的所有单独维度值平均在一起以形成最终平均值。）
好了，今天的主题就讲到这里吧，不管如何，能帮到你我就很开心了，如果您觉得这篇文章写得不错，欢迎点赞和分享给身边的朋友。
