### Python 支持同时运行两个文件的方法 Python 可以通过多种方式实现同时运行多个脚本的功能。最常见的方式是利用子进程模块 `subprocess` 或者多线程/多进程编程模型来完成这一需求[^1]。 ```python import subprocess # 运行第一个脚本 subprocess.Popen(['python', 'script1.py']) # 运行第二个脚本 subprocess.Popen(['python', 'script2.py']) ``` 另一种方法则是借助 `multiprocessing` 模块启动独立的进程去执行不同的任务，这种方法特别适合 CPU 密集型的任务处理场景[^2]。 ```python from multiprocessing import Process def run_script(script_name): exec(open(script_name).read()) if __name__ == "__main__": p1 = Process(target=run_script, args=('script1.py',)) p2 = Process(target=run_script, args=('script2.py',)) p1.start() p2.start() p1.join() p2.join() ``` --- ### Gensim 加载性能优化策略 针对 Gensim 加载缓慢的问题，可以从以下几个方面入手进行优化： #### 1. **减少内存占用** 如果加载的是大规模预训练模型（例如 Word2Vec），可以考虑只加载必要的部分而不是整个模型。这样不仅可以降低内存消耗还能提升初始化速度[^3]。 ```python from gensim.models import KeyedVectors # 假设我们只需要访问词向量而不关心其他属性 kv_model = KeyedVectors.load_word2vec_format('path_to_vec.txt', binary=False) ``` #### 2. **调整参数配置** 合理设置诸如 `workers`, `vector_size`, `window` 等超参有助于提高训练阶段的速度同时也间接影响到了后续加载环节的表现[^4]。 ```python from gensim.models import Word2Vec model = Word2Vec(sentences, vector_size=100, window=5, min_count=1, workers=8) ``` #### 3. **采用高效的数据结构** 将原始文本转换成稀疏矩阵表示形式后再传给 Gensim 处理往往能带来意想不到的效果。比如使用 SciPy 提供的 CSR/CSC 格式的压缩存储机制代替普通的列表对象传递给函数调用[^4]。 ```python from scipy.sparse import csr_matrix data_csr = csr_matrix(data_dense) ``` #### 4. **升级至最新版本** 官方团队持续不断地对软件包做出改进修复已知缺陷并引入新特性因此保持程序处于最新状态总是有益无害的事情[^3]。 ```bash pip install --upgrade gensim ``` ---