请注意，Word2Vec/Doc2Vec类在向量/计算中使用float32。(我甚至进行了实验，将模型转换为float16作为优化；不幸的是，似乎大量数组计算仍然强制回退到/从float32,这意味着只有在静止状态下才能节省时间和空间。)

开始调查。
测试使用 TestBaseTopicModel 的类：

• TestAuthorTopicModel
• TestHdpModel
• TestLdaMallet
• TestLdaModel
• TestLsiModel

继续调查 LdaModel 。
基本上，numpy 默认使用 float64 ,而在 LdaModel 中从未明确指定。

• LdaState.__init__() 使用 np.zeros() 进行 sstats (然后用于计算主题)
• LdaModel.__init__() 执行 self.state.sstats = self.random_state.gamma(100., 1. / 100., (self.num_topics, self.num_terms))
• nd.asarray 在许多地方默认根据参数推断类型
• ndarrays 可以传递到 __init__() ,它们将保持原样(float64、float32 或其他)

因此，结果是一切都默认为 float64 ,所以在 get_topics() 中返回 float64 。

好的调查，感谢@xelez。
我认为最好的解决方案是在构造函数中添加 dtype 参数，并在需要时显式地设置 dtype(而不是默认的 float64)。潜在地，我们可能会对另一个方法(包括训练)遇到同样的问题。如果这是真的——我们可以轻松地减少内存两次并加速模型🔥

@menshikh-iv 是否有重构计划？如果有，我认为应该用重构来完成。
如果没有，那么我唯一能想到的方法就是检查每一行代码，找出应用dtype的地方。
嗯，我认为我可以为LdaModel做这个工作，也许以后可以为其他模型做。但是如果有人也要参与其中，合并起来可能会变得非常困难。

重构 - 是的，但不是很快。

我们讨论了这个问题，并决定给$x^{1m_{n}1x}$中的每个模型添加$x^{1m_{n}1x}$参数将是一个好主意(用于比较具有高/低精度的模型的实验的新字段)

如果你发起PR并开始工作，那就太好了：+1:

我相信默认应该是float32。这对word2vec/doc2vec(它们已经是float32)没有区别，但可能会改变LSI/LDA等。