我正在做一个项目,我需要找到嵌入 vector 的最近邻居。最近,我正在尝试使用 Google 的新 ANN 工具 SCANN github . 我能够创建搜索器对象并将其序列化为一个小数据集(~200K 行,512 个值) 使用以下代码
import numpy as np
import scann
data = np.random.random((200k,512))
data = data / np.linalg.norm(data, axis=1)[:, np.newaxis]
searcher = scann.scann_ops_pybind.builder(data, 10, "dot_product").tree(
num_leaves=2000, num_leaves_to_search=100, training_sample_size=250000).score_ah(
2, anisotropic_quantization_threshold=0.2).reorder(100).build()
searcher.serialize('./scann')
但是当我尝试使用真实数据集(约 4800 万行,512 个值)时,我得到:
In [11]: searcher.serialize('scann/')
---------------------------------------------------------------------------
MemoryError Traceback (most recent call last)
<ipython-input-11-71a5ef71c81f> in <module>
----> 1 searcher.serialize('scann/')
~/.local/lib/python3.6/site-packages/scann/scann_ops/py/scann_ops_pybind.py in serialize(self, artifacts_dir)
70
71 def serialize(self, artifacts_dir):
---> 72 self.searcher.serialize(artifacts_dir)
73
74
MemoryError: std::bad_alloc
数据集的 .npy
文件大小约为 90GB,我的计算机上至少有 500GB 可用内存和 1TB 可用磁盘:
我正在运行 Ubuntu 18.04.5 LTS 和 Python 3.6.9。 Scann 模块随 Pip 安装。
对可能发生的事情有什么想法吗?
感谢帮助
[编辑] @MSalters 评论后,我做了一些测试,发现如果要序列化的数据集超过 16777220 字节 (2^24+4),它会失败并显示 bad_alloc
消息.我仍然不知道为什么会这样......
[edit2] 我从源代码构建了 SCANN,并在其中放置了一些调试打印。错误似乎在这一行:
vector<uint8_t> storage(hash_dim * expected_size);
如果我这样打印它:
std::cout << hash_dim << " " << expected_size <<"\n" << std::flush;
std::cout << hash_dim * expected_size <<"\n" << std::flush;
vector<uint8_t> v2;
std::cout << v2.max_size() << "\n" << std::flush;
vector<uint8_t> storage(hash_dim * expected_size);
std::cout << "after storage creation\n" << std::flush;
然后我明白了;
256 8388608
-2147483648
9223372036854775807
最佳答案
ScaNN 中似乎存在一个问题报告,#427 , 有类似的错误。
基于 -2147483648
的输出 对于 std::cout << hash_dim * expected_size
我们可以得出结论 hash_dim * expected_size
溢出。
查看源代码我们可以看到 hash_dim
的类型和 expected_size
是int
.
所以可能其中至少一个的类型应该是 int64_t
, long long
或者,更好的是,size_t
.
通过查看 ScaNN 的源代码,似乎有更多地方可以从专门设计用于保存大小 (size_t
) 的数据类型中受益,而不是 int
。 .
关于python - C++在python中内存不足,剩余空间充足,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/65182921/