word2vec源码思路和关键变量

最近在看word2vec，虽然看了几位大神些的pdf，但是感觉对于更细的代码思路解释不是特别的到位，尤其对于菜鸟来说，看到这篇博客些的还比较直白和浅显易懂，果断转了

转自：http://blog.youkuaiyun.com/zshunmiao/article/details/17142389

1一个输入层 ； 1 个隐含层； 1个输出层

syn0       input -> hidden 的 weights     在code中是一个1维数组，但是应该按照二维数组来理解。

                访问时实际上可以看成  syn0[i, j]   i为第i个单词，j为第j个隐含单元。

               大小：  词典大小 * 隐含层大小

syn1       hidden->output 的 weights

                

neu1      浮点型数组，  隐含层神经的值
               大小： 隐含层大小

neu1e     隐含层误差量

               大小： 隐含层大小

vocab_size  不同单词个数，也就是词典大小。

layer1_size  向量长度，实际上就是隐含层的大小。

分析完其实就是一个BP网络，不过还是不知道为啥要将前后几个词和当前词联系起来，要完全理解此场景的模型思想，看来还是得看论文了。

 

1. TrainModelThread
   while （1）
   1. 打印训练的进度情况
   2. （while）从输入文件中读入1000个单词组成一个句子，存入sen， sen[i] = word_index, 也就是sen数组里的顺序与单词在原文中的顺序一致，而sen存放的值为词典中该单词的位置。
      sentence_length  - 该sen数组的长度
      sentence_position - 为最外层while循环遍历该句子时，对记录当前单词在此句子中的位置。
   3. 如果 处理的单词个数超出了分配给当前线程的个数，则结束。 
   4. 获取当前单词。  从句子sen中取出 word_index = sen[sentence_position]; 
   5. 初始化 隐含层神经neu1 、隐含层误差 neu1e 为0
   6. b  产生随机数b， 取值目前为0~4之间。      窗口值window默认为5
   7. cbow
      1. in -> hidden  （正向传播,  得到隐含层）
         for (遍历左右窗口词，c从 sentence_position - (window -b)   到  sentence_position + (window -b)   ， 且 c != sentence_position 
         1. 得到c处存放的单词索引 last_word = sen[c];
         2. 将该词对应到的每一个in->hidden的网络权重系数syn0 累加到  隐含层单元neu1中
             for (c = 0; c < layer1_size; c++) neu1[c] += syn0[c + last_word * layer1_size];
            
      2. HIERARCHICAL SOFTMAX   目前默认hs为1的。 
         for (遍历该词的huffman编码串)
         1. f = 0
         2. 计算出该词在hidden-output 网络中的权重存储位置 l2 = vocab_[word_index].point[d] * layer1_size;
            这里的point[d]有疑问？？ 是否有可能超出vocab_size呢
         3. hidden -> output    （正向传播，得到该编码单元对应的output 值f）
            for (c = 0; c < layer1_size; c++) f += neu1[c] * syn1[c + l2];
            
         4. 对 f 进行Sigmoid变换  （这里是预先存放在了expTable表中）
         5. 计算下降的梯度g     （乘了学习率alpha）
             g = (1 - vocab_[word_index].code[d] - f) * alpha;
            
         6. output - > hidden （反向传播 得到隐含层误差）
            for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1[c + l2];
            
         7. 学习权重 hidden-output 
            for (c = 0; c < layer1_size; c++) syn1[c + l2] += g * neu1[c];
            
      3. NEGATIVE SAMPLING   目前运行时默认未走此步
         
      4. hidden -> in （反向传递， 更新in-hidden网络权重）
         for (遍历左右窗口词，c从 sentence_position - (window -b)   到  sentence_position + (window -b)   ， 且 c != sentence_position 
         1. 得到c处存放的单词索引 last_word = sen[c];
         2. 学习权重input-hidden   将隐含层单元误差量neu1e 加到  该词对应到的每一个in->hidden的网络权重系数syn0上
             for (c = 0; c < layer1_size; c++) syn0[c + last_word * layer1_size] += neu1e[c];
         
         
   8. skip-gram
      这里居然没有隐含神经元的概念，也就是无neu1； 
      计算输出值f的时候，直接用的是两层网络的权重syn0与syn1;
      第1层网络权重用的是窗口词的， 第2层网络权重用的是当前词的;
      其余部分和cbow模型类似。 
      
2. 保存结果
   将input-hidden网络权重（syn0）作为了词向量保存，不知为何这个就是词向量了。

另外还有一篇博客是通篇的代码注释，也写的不错，不全部贴出来了，有兴趣的点击看看吧

http://blog.sina.com.cn/s/blog_839cd44d0101flea.html