main.cc
main(）:1.train(), 2.test(),3. quantize(), 4.printWordVectors(), 5.printSentenceVectors(), 6.printNgrams(), 7.nn(), 8.analogies(), 9.predict(), 10.dump(), 11.printUsage()
1.train() :
fasttext.train()训练
fasttext.saveModel()保存模型
fasttext.saveVectors()保存词向量，第一行是word数+空格+维度dim；从第二行开始 word+vector
fasttext.train():readFromFile(), loadVectors()/nowrds()+bucket, nlabels()/nwords(), startThreads()，setTargetCounts()
readFromFile()读取文件，获取词典:
readWord()：从文件中读入word，以空格、tab等作为分词依据；
add()：若word已经存在于词典中，count+1，否则加入词典中；
threshold()：根据词频排序，剔除阈值以下的词，构造哈希；
initTableDiscard()：初始化丢弃规则；
initNgrams() ：初始化Ngram
若使用预训练的词向量文件，则loadVectors()加载该文件；否则，以（字典words数+bucket数）*dim词向量维度作为输入
输出为label数*dim（分类）或者是words数*dim（词向量）。
当 args_->model == model_name::sup 时，训练分类器， 所以输出的种类是标签总数 dict_->nlabels()；
否则训练的是词向量，输出种类就是词的种类 dict_->nwords()。
startThreads()：
trainThread()：根据线程数，将训练文件按照总字节数均分成多个部分;根据训练需求的不同，用的更新策略也不同，它们分别是：
1. supervised(）2. cbow() 3. skipgram()
model.update():
computeHidden():计算前向传播：输入层 -> 隐层
loss=ns时，negativeSampling()：负采样，训练时每次选择一个正样本，随机采样几个负样本，每种输出都对应一个参数向量，保存于 wo_ 的各行。对所有样本的参数更新，都是一次独立的 LR 参数更新。
loss=hs时，hierarchicalSoftmax()：层次softmax() ，对于每个目标词，都可以在构建好的霍夫曼树上确定一条从根节点到叶节点的路径，路径上的每个非叶节点都是一个 LR，参数保存在 wo_ 的各行上，训练时，这条路径上的 LR 各自独立进行参数更新。
else，普通softmax()
model.getLoss()：
2.test()：fasttext.loadModel（），fasttext.test（）
fasttext.loadModel()：以binary格式加载模型
fasttext.test()：
Dictionary::getLine():
addSubwords():
Model::predict() 预测k个最有可能的分类
computeHidden():input上下文，计算隐层向量
如果是hierarchical softmax，dfs()遍历树寻找概率最大值；
否则，findKBest()数组输出前k个最大值
computeOutputSoftmax():计算softmax值，存入output中
输出预测结果
3. quantize()
fasttext.loadModel()：以binary格式加载模型
fasttext.quantize();
fasttext.saveModel();
4.printWordVectors()
fasttext.loadModel():以binary格式加载模型
fasttext.getDimension():获取词向量维度
fasttext.getWordVector():输入word，返回vector
5.printSentenceVectors()
fasttext.loadModel():以binary格式加载模型
fasttext.getDimension():获取词向量维度
fasttext.getSentenceVector():
如果是有监督学习：addInputVector()所有词向量累加做average
6.printNgrams()
fasttext.loadModel()::以binary格式加载模型
fasttext.ngramVectors():
7.nn():
fasttext.loadModel():以binary格式加载模型
fasttext.getDictionary()
fasttext.precomputeWordVectors():对词典中的所有word加载vector
输入queryWord
fasttext.getWordVector(queryVec, queryWord);返回输入queryWord的queryVec
fasttext.findNN(wordVectors, queryVec, k, banSet, results);使用优先队列存储最相近的word
8.analogies():
fasttext.loadModel();
fasttext.analogies(k);
9.predict():
Model::predict()：给输入数据打上 1 ～ K 个类标签，并输出各个类标签对应的概率。同上
10.dump():
11.printUsage()
