fanlusky
80b1fc42a1
词格原先的整句打分是一份没校准过的启发式 unigram，质量很差。这里内嵌 libime 在用的 kenlm 查询子集，改由它的三元模型 sc.lm 来打路径分。 - engine/ngram 只编 kenlm 的 query / trie-build 路径。不定义 WITH_THREADS， parallel_read.cc 因此退化成串行实现，整个子集零 Boost 依赖。 KENLM_MAX_ORDER=3 必须与建模阶数一致，改它等于读不懂已发布的模型文件。 - ngram::LanguageModel 是唯一 include kenlm 头文件的地方，对外只给出一个纯 std 的头，_HAS_AUTO_PTR_ETC 和 kenlm 的 include 目录都保持 PRIVATE。 - shared_language_model 按资源路径共享一份 mmap。kenlm 的查询是只读的且把 上下文放在调用方的 State 里，所以并发会话不需要额外加锁。 - 模型缺失时 valid() 为假，词格退回原来的启发式打分：整句候选只是变差，不会 停止工作。测试覆盖了缺模型降级与按路径共享。 - 出货的 ARPA 不带 <s>/</s>，所以解码从 null_state() 起算而非 begin_state()。 kenlm 是上游副本，不重排版、不进 clang-format，其 LGPL-2.1+ 与 BSD 例外清单 已补进 THIRD_PARTY_NOTICES.txt。googlepinyinime 那条 Fallback 整句路径不变。
17 lines
461 B
C++
17 lines
461 B
C++
#ifndef UTIL_PARALLEL_READ__
|
|
#define UTIL_PARALLEL_READ__
|
|
|
|
/* Read pieces of a file in parallel. This has a very specific use case:
|
|
* reading files from Lustre is CPU bound so multiple threads actually
|
|
* increases throughput. Speed matters when an LM takes a terabyte.
|
|
*/
|
|
|
|
#include <cstddef>
|
|
#include <stdint.h>
|
|
|
|
namespace util {
|
|
void ParallelRead(int fd, void *to, std::size_t amount, uint64_t offset);
|
|
} // namespace util
|
|
|
|
#endif // UTIL_PARALLEL_READ__
|