使用DL4J读取词向量并计算语义相似度

使用DL4J读取词向量并计算单词语义相似度
By 龙前尘

实验环境：WINDOWS 8、Java-1.8.0_25、DL4J-0.9.1、ND4J-0.9.1

转载请注明地址：
http://blog.csdn.net/svenhuayuncheng/article/details/79073883

---

笔者按
在将词向量用于语义相似度计算时，如笔者前文所述：Windows系统下使用维基百科中文语料训练Word2Vec词向量，笔者已经利用Gensim训练好了词向量。由于笔者的项目工程是基于Java编写的，故需要找到相关的Java类库来读取词向量。经过一番查询，笔者锁定了DL4J（Deeplearning for Java）这个库，下文即使用DL4J来读取词向量的方法，以及笔者踩到的坑。

1. 何为DL4J

本文节选自DL4J官网1。

DeepLearning4J（DL4J）是一套基于Java语言的神经网络工具包，可以构建、定型和部署神经网络。DL4J与Hadoop和Spark集成，支持分布式CPU和GPU，为商业环境（而非研究工具目的）所设计。Skymind是DL4J的商业支持机构。
Deeplearning4j拥有先进的技术，以即插即用为目标，通过更多预设的使用，避免多余的配置，让非企业也能够进行快速的原型制作。DL4J同时可以规模化定制。DL4J遵循Apache 2.0许可协议，一切以其为基础的衍生作品均属于衍生作品的作者。
Deeplearning4j包括了分布式、多线程的深度学习框架，以及普通的单线程深度学习框架。定型过程以集群进行，也就是说，Deeplearning4j可以快速处理大量数据。神经网络可通过[迭代化简]平行定型，与 Java、 Scala 和 Clojure 均兼容。

2. 配置POM文件

DL4J配置如下：

        <dependency>
            <groupId>org.deeplearning4jgroupId>
            <artifactId>deeplearning4j-coreartifactId>
            <version>0.9.1version>
        dependency>
        
        <dependency>
            <groupId>org.deeplearning4jgroupId>
            <artifactId>deeplearning4j-nlpartifactId>
            <version>0.9.1version>
        dependency>
        

DL4J使用了ND4J来做矩阵计算，在配置时，也必须要配置ND4J，否则会报错。
ND4J配置如下：

        <dependency>
                <groupId>org.nd4jgroupId>
            <artifactId>nd4j-native-platformartifactId>
            <version>0.9.1version>
            <scope>testscope>
        dependency>
        
        <dependency>
            <groupId>org.nd4jgroupId>
            <artifactId>nd4j-nativeartifactId>
            <version>0.9.1version>
            <scope>testscope>
        dependency>
        
        <dependency>
            <groupId>org.nd4jgroupId>
            <artifactId>nd4j-apiartifactId>
            <version>0.9.1version>
        dependency>

3. 使用DL4J读取词向量

DL4J可以读取使用DL4J训练出的词向量，也可以读取使用Gensim训练出的词向量vector文件，此外，对于谷歌训练好的谷歌新闻语料模型GoogleNews-vectors-negative300.bin，也可以读取。
本文主要针对于第二种词向量文件的读取与操作。
首先为读取词向量文件，代码如下：

Word2Vec word2Vec = WordVectorSerializer.readWord2VecModel("wiki.zh.text.vector");

读取文件后，可以将Word2vec作为查询表使用：

WeightLookupTable weightLookupTable = word2Vec.lookupTable();
        Iterator vectors = weightLookupTable.vectors();
        INDArray wordVectorMatrix = word2Vec.getWordVectorMatrix("农业");
        double[] wordVector = word2Vec.getWordVector("农业");

如果遇到未登录词，Word2vec返回一个全零向量。

试一试效果：

Collection lst = vec.wordsNearest("计算机", 10);
        System.out.println(lst);
        double cosSim = vec.similarity("农业", "计算机");
        System.out.println(cosSim);
        for(Double d : wordVector)
            System.out.println(d);        

4. 踩过的坑

4.1 堆外内存溢出问题

读取词向量的代码很简单，但是仍然遇到问题。
报错如下图所示：

该错误是堆外内存溢出导致。

这是由于DL4J使用了ND4J，该模块使用off-heap（堆外内存）来存储NDArray，并且对于原生代码（如BLAS、CUDA库）可以提供更好的性能2.

off-heap堆外内存指不由JVM维护的内存空间，故JVM的垃圾回收机制也不会管理对堆外内存。在JVM中，ND4J会维护指向堆外内存的指针，可以通过JNI将这些指针传递到ND4J底层的C++代码中，来完成ND4J操作。

为了维护内存空间的分配，ND4J使用了两种方法：
第一是通过JVM与弱引用追踪方法（WeakReference tracking）；
第二是通过内存工作空间管理（MemoryWorkspaces）。
这两种方法的核心思想是一样的：即当一个INDArray数组被垃圾回收后，其对应的堆外内存应该被释放，并重新分配该内存空间。GC与MemoryWorkspaces不同之处在于何时、如何释放内存。

对于JVM，当INDArray数组被作为垃圾回收时，其对应的堆外内存被释放；
对于MemoryWorkspaces，当一个INDArray数组离开工作空间的范围时，比如，当神经网络中的一层已经完成了前馈传递，其内存可能会被重用，故不进行内存释放或重分配。这样对于循环神经网络来说性能更佳。

所以，无论用什么方法，在DL4J/ND4J中，有两种类型的内存限制都需要显示配置。堆内（on-heap）JVM内存，以及NDArray数组所在的堆外（off-heap）内存，都需要设置内存限制。

设置如下：
-Xms 当应用开始时，分配给应用的初始JVM堆的大小；
-Xmx 分配给应用的最大JVM堆的大小；
-Dorg.bytedeco.javacpp.maxbytes 堆外内存大小；
-Dorg.bytedeco.javacpp.maxphysicalbytes 同样为设置堆外内存的，应该设置地与maxbytes大小一样；

例如，设置堆内内存初始大小为1G，最大堆内内存为2G，最大堆外内存为8G，则有：
-Xms1G -Xmx2G -Dorg.bytedeco.javacpp.maxbytes=8G -Dorg.bytedeco.javacpp.maxphysicalbytes=8G

在IntelliJ IDEA中，需要在Run->Edit Configurations中设置VM参数。
设置如下图所示：

如此设置后，问题解决。

4.2 使用main函数缺少ND4J类库的问题

在WINDOWS操作系统下，用main函数读取词向量文件时，可能会遇到以下错误：

Exception in thread "main" java.lang.ExceptionInInitializerError
at org.deeplearning4j.nn.conf.NeuralNetConfiguration$Builder.seed(NeuralNetConfiguration.java:624)
at org.deeplearning4j.examples.feedforward.anomalydetection.MNISTAnomalyExample.main(MNISTAnomalyExample.java:46)
Caused by: java.lang.RuntimeException: org.nd4j.linalg.factory.Nd4jBackend$NoAvailableBackendException: Please ensure that you have an nd4j backend on your classpath. Please see: http://nd4j.org/getstarted.html
at org.nd4j.linalg.factory.Nd4j.initContext(Nd4j.java:5556)
at org.nd4j.linalg.factory.Nd4j.(Nd4j.java:189)
... 2 more
Caused by: org.nd4j.linalg.factory.Nd4jBackend$NoAvailableBackendException: Please ensure that you have an nd4j backend on your classpath. Please see: http://nd4j.org/getstarted.html
at org.nd4j.linalg.factory.Nd4jBackend.load(Nd4jBackend.java:259)
at org.nd4j.linalg.factory.Nd4j.initContext(Nd4j.java:5553)
... 3 more

该问题是由于操作系统无法加载某些必要的类库导致。这里可以使用Dependency Walker来解决问题。
1、 首先下载类库：Dependency Walker 2.2 for x64，并解压。
2、 引入类包：

import org.bytedeco.javacpp.Loader;
import org.nd4j.nativeblas.Nd4jCpu;

3、在main()方法之前，或者在初始化对象之前，插入以下代码。

try {
            Loader.load(Nd4jCpu.class);
        } catch (UnsatisfiedLinkError e) {
            String path = Loader.cacheResource(Nd4jCpu.class, "windows-x86_64/jniNd4jCpu.dll").getPath();
            new ProcessBuilder("c:/path/to/depends.exe", path).start().waitFor();
        }

由此，解决了使用main方法运行程序出错的问题。

---

以上，完成了使用DL4J读取词向量的全过程。
本文旨在做一个实验记录，也是抛砖引玉，欢迎大家共同探讨！

---

1. https://deeplearning4j.org/cn/index。 ↩
2. https://deeplearning4j.org/memory。 ↩