我正在尝试在一些内部数据集上训练word2vec skip-gram模型 . 我正在关注tensorflow word2vec_basic.py教程 . 数据集有句子，所以我修改了generate_batch函数并在csv文件中存储（批处理，标签） . 由于数据很大，这些文件被分成了部分文件 . 我需要更改代码的tf.session部分以适应这些多个文件 . 由于内存限制，我无法一次加载所有文件 . 这是我的tf.session代码：

import tensorflow as tf
import glob

folder_files =  glob.glob("word2vecIndexes")

with tf.Session(graph=graph) as session:
    tf.initialize_all_variables().run()
    print('Initialized')
    for i in len(folder_files):
        indexes_data = getData(folder_files[i])
        average_loss = 0
        index=0
        length_train = len(indexes_data)
        check_range = int(length_train/batch_size)+1
        print(check_range)
        for step in range(check_range):
            print("....."+step)
            batch_data, batch_labels = generate_batch(index, batch_size, length_train)
            index = index+batch_size
            feed_dict = {train_dataset : batch_data, train_labels : batch_labels}
            _, l = session.run([optimizer, loss], feed_dict=feed_dict)
            average_loss += l
            if step % 2000 == 0:
              if step > 0:
                average_loss = average_loss / 2000
              # The average loss is an estimate of the loss over the last 2000 batches.
              print('Average loss at step %d: %f' % (step, average_loss))
              average_loss = 0
    final_embeddings = normalized_embeddings.eval()
    ## save as textFile ##
    np.savetxt('~/final_embedding_dic.txt',final_embeddings)
    ## save as tensorflow variable ##
    saver.save(self._session,opts.save_path + "model")enter code here`

我是tensorflow的新手，所以如果“final_embeddings”代表使用所有文件的训练嵌入，或者它在每次迭代时被初始化并且仅在该部分文件上训练，我感到困惑 . 有没有优化的方法来运行它？

tensorflow nlp word2vec