前置要求：了解 Word2Vec 中的 Skip-Gram 和 CBOW 模型，以及负采样、层次 SoftMax 知识。

FastText 在 2016 年发布时，是当时最先进的词嵌入模型之一。 它具有轻量、速度快等优点，因此被广泛用于各种自然语言处理任务，例如文本分类、情感分析、机器翻译等。

然而，近年来，随着深度学习技术的快速发展，涌现出了许多新的词嵌入模型，例如 BERT、ELMo 等。 这些新模型在很多任务上都取得了比 FastText 更好的效果，因此逐渐成为了主流。

尽管如此，FastText 仍然具有一定的优势。 例如，它比 BERT 等模型更轻量级，因此在资源受限的场景下更实用。 此外，FastText 还支持多语言，这使得它在处理多语言文本时具有优势。

1. 内容概述

FastText：https://fasttext.cc/。对于 FastText 我们学习的内容如下：

1. 词向量的训练
2. 预训练词向量
3. 文本分类模型
4. 预训练分类模型

2. 环境准备

课程环境：windows 11、pycharm 2021.1.3、python 3.8

1 创建虚拟环境

# 创建虚拟环境
conda create --name fasttext-env python=3.8

# 查看虚拟环境
conda env list

2 安装依赖库

pip install fasttext -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install jieba -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install pandas -i https://pypi.tuna.tsinghua.edu.cn/simple/

3 创建 PyCharm 项目，并设置 fasttext-env 虚拟环境，并将百度网盘中的数据拷贝到项目中。

注意：课程中产生的模型、以及使用到的数据、预训练模型、词向量都在百度网盘中。