如何为gensim.models.FastText.train()添加训练进度条？

方法一：使用gensim内置的回调接口（推荐） #

gensim的FastText继承自Word2Vec体系，提供了CallbackAny2Vec类来自定义训练过程中的进度监控，这是最官方的解决方式，代码实现如下：

from gensim.models.callbacks import CallbackAny2Vec
import time

# 自定义进度回调类
class TrainProgressCallback(CallbackAny2Vec):
    def __init__(self, total_epochs, total_examples):
        self.epoch = 0
        self.total_epochs = total_epochs
        self.total_examples = total_examples
        self.epoch_start_time = None

    def on_epoch_begin(self, model):
        self.epoch_start_time = time.time()
        print(f"开始训练第 {self.epoch + 1}/{self.total_epochs} 轮")

    def on_epoch_end(self, model):
        epoch_duration = time.time() - self.epoch_start_time
        print(f"第 {self.epoch + 1}/{self.total_epochs} 轮训练完成，耗时 {epoch_duration:.2f} 秒")
        self.epoch += 1

    def on_batch_end(self, model):
        # 每完成一个批次就输出当前进度（可选，频繁输出可能影响性能）
        processed = model.corpus_count - model.trainables.remaining_examples
        progress = (processed / self.total_examples) * 100
        print(f"\r当前批次进度: {progress:.2f}%", end="")

# 初始化模型
embed_model = FastText(vector_size=meta_hyper['vector_size'],
                       window=meta_hyper['window'],
                       alpha= meta_hyper['alpha'],
                       workers=meta_hyper['CPU'])

embed_model.build_vocab(data)

# 初始化回调实例
callback = TrainProgressCallback(total_epochs=meta_hyper['epochs'], total_examples=len(data))

# 训练时传入回调
start = time.time()
embed_model.train(data, total_examples=len(data), epochs=meta_hyper['epochs'], callbacks=[callback])
total_duration = time.time() - start
print(f"\n全部训练完成，总耗时 {total_duration:.2f} 秒")

这个方法能精准追踪每一轮epoch的开始/结束时间，还可以选择监控每个批次的进度。如果觉得批次级的输出太频繁，可以注释掉on_batch_end里的打印逻辑，只保留epoch级的进度。

方法二：手动拆分训练循环，用tqdm包装 #

如果不想用回调，也可以手动分epoch循环训练，每一轮用tqdm来包装数据集迭代器，直观看到单轮的进度：

from tqdm import tqdm

embed_model = FastText(vector_size=meta_hyper['vector_size'],
                       window=meta_hyper['window'],
                       alpha= meta_hyper['alpha'],
                       workers=meta_hyper['CPU'])

embed_model.build_vocab(data)

start = time.time()
alpha = meta_hyper['alpha']
for epoch in range(meta_hyper['epochs']):
    print(f"第 {epoch+1}/{meta_hyper['epochs']} 轮训练")
    # 用tqdm包装数据集，显示单轮进度
    embed_model.train(tqdm(data, total=len(data)), 
                      total_examples=len(data), 
                      epochs=1,
                      start_alpha=alpha, 
                      end_alpha=alpha)  # 固定alpha避免自动衰减，手动控制的话可以调整
    alpha *= 0.9  # 可选：手动模拟alpha衰减，和默认逻辑一致

total_duration = time.time() - start
print(f"\n全部训练完成，总耗时 {total_duration:.2f} 秒")

注意：这种方式需要手动处理学习率alpha的衰减（默认FastText每轮会自动降低alpha），如果要和原训练逻辑完全一致，需要手动模拟这个衰减过程，或者在每轮训练时设置start_alpha和end_alpha为当前的alpha值。

为什么直接用tqdm包装data没用？ #

因为gensim的train方法内部会对数据集做二次处理（比如按workers拆分、打乱顺序），直接把data传给tqdm后，gensim实际读取的是tqdm包装后的迭代器，但内部的处理逻辑会导致进度条无法正确统计实际处理的样本量，所以才会失效。

内容的提问来源于stack exchange，提问作者The-One-Who-Speaks-And-Depicts