如何通过训练参数降低Gensim FastText模型的内存占用？

• 词汇量控制参数
  这是对内存影响最大的一类参数，直接决定了需要存储的独立词向量数量：
  • min_count：词汇收录阈值，低于该出现频次的词会被直接丢弃不加入词汇表，调高该值可以大幅砍掉低频词、压缩词汇表规模
  • max_vocab_size：直接限制词汇表的最大容量，超过容量时会自动丢弃出现频次最低的词，适合硬卡内存上限的场景
• 向量维度参数 vector_size
  每个词向量、子词ngram向量的维度长度，和内存占用呈完全线性相关，比如维度从300降到150，向量部分的内存直接缩减一半
• ngram相关参数
  这是FastText区别于Word2Vec的额外内存开销来源，你提到的ngram范围确实会显著影响模型大小：
  • bucket：ngram哈希桶的总容量，所有生成的字符ngram都会哈希映射到这个桶内存储对应的向量，默认值为2000000，调小该值可以直接压缩ngram部分的内存占用
  • min_n/max_n：字符ngram的长度范围，默认值为3到6，缩小该范围（比如调整为2到4）可以减少生成的ngram总量，进而降低实际占用的桶空间；如果设置min_n=0且max_n=0，会直接关闭ngram功能，完全消除这部分内存开销
• 其他次要影响参数
  对内存的影响远低于上面三类，一般不需要为了内存特意调整：
  • hs：如果设置为1启用层级softmax代替默认的负采样，每个词需要额外存储霍夫曼树编码相关信息，会小幅增加内存占用
  • negative：负采样的样本数量，调整该值对内存的影响极小，主要影响训练速度和效果

如果需要在训练过程中压缩模型体积，除了降低vector_size之外，优先选择调高min_count压缩词汇表，其次调小bucket容量、缩小ngram范围，内存压缩的收益最高。

内容的提问来源于stack exchange，提问作者dasWesen