使用Spacy空白模型训练时，配置文件中en_core_web_lg向量的作用

你使用spacy.blank("en")空白模型训练自定义标注的模型，标注数据格式为[(text_1, [(start_1, end_1, LABEL_1)]), (text_2, [(start_2, end_2, LABEL_1)]).....]，训练数据准备代码如下：

# Load a new spacy model:
nlp = spacy.blank("en")
# Create a DocBin object:
db = DocBin()
for text, annotations in input: # Data in previous format
    doc = nlp(text)
    ents = []
    spans = []
    for start, end, label in annotations: # Add character indexes
        spans.append(Span(doc, 0, len(doc), label=label))
        span = doc.char_span(start, end, label=label)
        ents.append(span)
        doc.ents = ents # Label the text with the ents
        group = SpanGroup(doc, name="sc", spans=spans)
        doc.spans["sc"] = group
        db.add(doc)
db.to_disk(output_path)

配置文件开头内容：

# This is an auto-generated partial config. To use it with 'spacy train'
# you can run spacy init fill-config to auto-fill all default settings:
# python -m spacy init fill-config ./base_config.cfg ./config.cfg
[paths]
train = null
dev = null
vectors = "en_core_web_lg"

疑问：配置文件中的vectors = "en_core_web_lg"在该训练流程中具体有什么作用？为什么使用自定义标注训练时需要指定它？

解答 #

• 提供预训练词向量基础：en_core_web_lg包含基于海量英文通用语料训练完成的大型词向量库，这些向量已经捕捉到了单词的语义关联、语法特征等通用语言信息。训练自定义模型时，无需从0开始学习基础语言表示，直接复用这些预训练向量作为词的初始特征，能大幅减少训练所需的数据量和计算成本。
• 提升小数据集下的模型性能：自定义标注任务的训练数据通常规模有限，预训练词向量可以帮助模型理解未见过的词汇，或迁移相似词汇的语义知识。比如你的任务是识别特定领域实体，预训练向量已经知道"Python"和"Java"同属编程语言类别，模型能快速把这种关联迁移到你的自定义标注任务中。
• 适配Spacy训练的默认架构：spacy train默认使用的模型组件（比如用于生成词特征的tok2vec）依赖词向量作为输入。而spacy.blank("en")空白模型本身不包含任何词向量，必须通过配置指定预训练向量来源，否则训练时模型无法获得有效的词特征表示，会导致模型性能极差甚至无法正常完成训练。

内容的提问来源于stack exchange，提问作者SteveS