给你一个已经分好词和去完停用词的f1.txt文件，请在LDA模型一致性计算中使用'u_mass'来获得最快的速度，并只需要'u_mass'的模型、语料库和一致性参数，并把图形运行出来保存起来，使用python语言

好的，我们可以使用gensim库来进行LDA模型的训练和一致性计算。首先，我们需要准备好语料库和停用词表。

假设我们的f1.txt文件已经分好词和去完停用词，每个词之间以空格隔开，那么我们可以按照以下方式读取文件并生成语料库：

from gensim import corpora

# 读取文件，每行为一个文档，每个词以空格隔开
with open('f1.txt', 'r', encoding='utf-8') as f:
    docs = [line.strip().split() for line in f]

# 生成词典
dictionary = corpora.Dictionary(docs)

# 生成文档向量
corpus = [dictionary.doc2bow(doc) for doc in docs]

接下来，我们可以使用u_mass参数训练LDA模型，并计算一致性得分：

from gensim.models import CoherenceModel, LdaModel

# 训练LDA模型，设置主题数为10
lda_model = LdaModel(corpus=corpus, id2word=dictionary, num_topics=10, passes=10)

# 计算一致性得分
coherence_model_lda = CoherenceModel(model=lda_model, corpus=corpus, dictionary=dictionary, coherence='u_mass')
coherence_lda = coherence_model_lda.get_coherence()
print('一致性得分:', coherence_lda)

最后，我们可以使用matplotlib库来绘制一致性得分随着主题数变化的趋势图：

import matplotlib.pyplot as plt

# 绘制一致性得分趋势图
topics = range(2, 20, 2)
coherence_score = []
for k in topics:
    lda_model = LdaModel(corpus=corpus, id2word=dictionary, num_topics=k, passes=10)
    coherence_model_lda = CoherenceModel(model=lda_model, corpus=corpus, dictionary=dictionary, coherence='u_mass')
    coherence_lda = coherence_model_lda.get_coherence()
    coherence_score.append(coherence_lda)

plt.plot(topics, coherence_score)
plt.xlabel("主题数")
plt.ylabel("一致性得分")
plt.show()

这样就可以得到一致性得分随着主题数变化的趋势图了。