即使使用稀疏矩阵,scikit中的MemoryError也是如此

时间:2014-08-07 06:08:21

标签: python memory nlp scikit-learn sparse-matrix

我正在运行(或尝试)脚本来对文档进行分类。抛出错误的代码是:

X = df['text'].values
Y = np.asarray(df['label'], dtype=np.dtype(int))

text_clf = Pipeline([('vect', HashingVectorizer(ngram_range=(1,3), preprocessor=neg_preprocess, n_features=10000000)),
                     ('tfidf', TfidfTransformer()),
                     ('clf', SGDClassifier(loss='log', n_jobs=-1, penalty='elasticnet'))])

text_clf.fit(X, Y)

了解HashingVectorizer产生的内容:

<375175x10000000 sparse matrix of type '<type 'numpy.float64'>'
    with 56324335 stored elements in Compressed Sparse Row format>

完整的错误和追溯是:

---------------------------------------------------------------------------
MemoryError                               Traceback (most recent call last)
<ipython-input-15-09ad11dfb82b> in <module>()
  7                      ('clf', SGDClassifier(loss='log', n_jobs=-1, penalty='elasticnet'))])
  8 
----> 9 text_clf.fit(X, Y)
 10 
 11 print datetime.now()-startTime

D:\Users\DB\Anaconda\lib\site-packages\sklearn\pipeline.pyc in fit(self, X, y, **fit_params)
129         """
130         Xt, fit_params = self._pre_transform(X, y, **fit_params)
--> 131         self.steps[-1][-1].fit(Xt, y, **fit_params)
132         return self
133 

D:\Users\DB\Anaconda\lib\site-packages\sklearn\linear_model\stochastic_gradient.pyc in fit(self, X, y, coef_init, intercept_init, class_weight, sample_weight)
517                          coef_init=coef_init, intercept_init=intercept_init,
518                          class_weight=class_weight,
--> 519                          sample_weight=sample_weight)
520 
521 

D:\Users\DB\Anaconda\lib\site-packages\sklearn\linear_model\stochastic_gradient.pyc in _fit(self, X, y, alpha, C, loss, learning_rate, coef_init, intercept_init, class_weight, sample_weight)
416 
417         self._partial_fit(X, y, alpha, C, loss, learning_rate, self.n_iter,
--> 418                           classes, sample_weight, coef_init, intercept_init)
419 
420         # fitting is over, we can now transform coef_ to fortran order

D:\Users\DB\Anaconda\lib\site-packages\sklearn\linear_model\stochastic_gradient.pyc in _partial_fit(self, X, y, alpha, C, loss, learning_rate, n_iter, classes, sample_weight, coef_init, intercept_init)
359         if self.coef_ is None or coef_init is not None:
360             self._allocate_parameter_mem(n_classes, n_features,
--> 361                                          coef_init, intercept_init)
362 
363         self.loss_function = self._get_loss_function(loss)

D:\Users\DB\Anaconda\lib\site-packages\sklearn\linear_model\stochastic_gradient.pyc in _allocate_parameter_mem(self, n_classes, n_features, coef_init, intercept_init)
187             else:
188                 self.coef_ = np.zeros((n_classes, n_features),
--> 189                                       dtype=np.float64, order="C")
190 
191             # allocate intercept_ for multi-class

MemoryError: 

整个训练集的特征向量的大小非常重要,但每个文档都很短(约200个单词)并且具有一小组特征。我会想象稀疏矩阵在处理数据时没有问题,但也许我完全错了?我监视计算机上的资源消耗,并在失败时留下足够的RAM。

代码中是否存在导致此错误的内容?我认为也许TfidfTransformer()可能会受到责备,因为它会导致有状态,但我将它从管道中移除并仍然有同样的错误。如果它是特征向量大小的问题,那么肯定有办法处理大量数据...

我正在使用ipython notebook和python 2.7.6 Anaconda发行版。如果需要更多信息,请告知我们。

提前致谢。

1 个答案:

答案 0 :(得分:4)

我不认为它是矢量图,因为追溯显示它在以下行中失败:

self.coef_ = np.zeros((n_classes, n_features), dtype=np.float64, order="C")

这会分配一个密集 numpy数组,它使用大量内存。它的形状为(n_classes, n_features),而n_features与您作为参数传递给矢量图10M的n_features相同!您的数据集中有多少个类?

快速简便的解决方案是降低n_features的价值。或者,您可以尝试其他不将输入转换为密集数组的分类器。我不知道我的头脑中哪个sklearn的分类器会这样做。


PS This question显示了如何确定矩阵的实际内存大小。您可以验证它不是矢量化器或tfidf转换器失败。