Italian - Ht
HackTricks TrainingTwitterLinkedinSponsor

1. Tokenizing

Tokenizing

Tokenizing è il processo di suddivisione dei dati, come il testo, in pezzi più piccoli e gestibili chiamati token. Ogni token viene quindi assegnato un identificatore numerico unico (ID). Questo è un passaggio fondamentale nella preparazione del testo per l'elaborazione da parte dei modelli di machine learning, specialmente nel natural language processing (NLP).

L'obiettivo di questa fase iniziale è molto semplice: Dividere l'input in token (ids) in un modo che abbia senso.

How Tokenizing Works

  1. Splitting the Text:

  • Basic Tokenizer: Un tokenizer semplice potrebbe suddividere il testo in parole e segni di punteggiatura individuali, rimuovendo gli spazi.

  • Esempio: Testo: "Hello, world!" Token: ["Hello", ",", "world", "!"]

  1. Creating a Vocabulary:

  • Per convertire i token in ID numerici, viene creata una vocabulario. Questo vocabolario elenca tutti i token unici (parole e simboli) e assegna a ciascuno un ID specifico.

  • Special Tokens: Questi sono simboli speciali aggiunti al vocabolario per gestire vari scenari:

  • [BOS] (Inizio della Sequenza): Indica l'inizio di un testo.

  • [EOS] (Fine della Sequenza): Indica la fine di un testo.

  • [PAD] (Padding): Utilizzato per rendere tutte le sequenze in un batch della stessa lunghezza.

  • [UNK] (Sconosciuto): Rappresenta token che non sono nel vocabolario.

  • Esempio: Se "Hello" è assegnato ID 64, "," è 455, "world" è 78, e "!" è 467, allora: "Hello, world!" → [64, 455, 78, 467]

  • Handling Unknown Words: Se una parola come "Bye" non è nel vocabolario, viene sostituita con [UNK]. "Bye, world!" → ["[UNK]", ",", "world", "!"] → [987, 455, 78, 467] (Assumendo che [UNK] abbia ID 987)

Advanced Tokenizing Methods

Mentre il tokenizer di base funziona bene per testi semplici, ha limitazioni, specialmente con vocabolari ampi e nella gestione di parole nuove o rare. I metodi avanzati di tokenizzazione affrontano questi problemi suddividendo il testo in sottounità più piccole o ottimizzando il processo di tokenizzazione.

  1. Byte Pair Encoding (BPE):

  • Purpose: Riduce la dimensione del vocabolario e gestisce parole rare o sconosciute suddividendole in coppie di byte frequentemente occorrenti.

  • How It Works:

  • Inizia con caratteri individuali come token.

  • Unisce iterativamente le coppie di token più frequenti in un singolo token.

  • Continua fino a quando non ci sono più coppie frequenti da unire.

  • Benefits:

  • Elimina la necessità di un token [UNK] poiché tutte le parole possono essere rappresentate combinando token di sottoparola esistenti.

  • Vocabolario più efficiente e flessibile.

  • Esempio: "playing" potrebbe essere tokenizzato come ["play", "ing"] se "play" e "ing" sono sottoparole frequenti.

  1. WordPiece:

  • Used By: Modelli come BERT.

  • Purpose: Simile a BPE, suddivide le parole in unità di sottoparola per gestire parole sconosciute e ridurre la dimensione del vocabolario.

  • How It Works:

  • Inizia con un vocabolario di base di caratteri individuali.

  • Aggiunge iterativamente la sottoparola più frequente che massimizza la probabilità dei dati di addestramento.

  • Utilizza un modello probabilistico per decidere quali sottoparole unire.

  • Benefits:

  • Bilancia tra avere una dimensione del vocabolario gestibile e rappresentare efficacemente le parole.

  • Gestisce in modo efficiente parole rare e composte.

  • Esempio: "unhappiness" potrebbe essere tokenizzato come ["un", "happiness"] o ["un", "happy", "ness"] a seconda del vocabolario.

  1. Unigram Language Model:

  • Used By: Modelli come SentencePiece.

  • Purpose: Utilizza un modello probabilistico per determinare il set di token di sottoparola più probabile.

  • How It Works:

  • Inizia con un ampio set di token potenziali.

  • Rimuove iterativamente i token che migliorano meno la probabilità del modello sui dati di addestramento.

  • Finalizza un vocabolario in cui ogni parola è rappresentata dalle unità di sottoparola più probabili.

  • Benefits:

  • Flessibile e può modellare il linguaggio in modo più naturale.

  • Spesso porta a tokenizzazioni più efficienti e compatte.

  • Esempio: "internationalization" potrebbe essere tokenizzato in sottoparole più piccole e significative come ["international", "ization"].

Code Example

Let's understand this better from a code example from https://github.com/rasbt/LLMs-from-scratch/blob/main/ch02/01_main-chapter-code/ch02.ipynb:

# Download a text to pre-train the model
import urllib.request
url = ("https://raw.githubusercontent.com/rasbt/LLMs-from-scratch/main/ch02/01_main-chapter-code/the-verdict.txt")
file_path = "the-verdict.txt"
urllib.request.urlretrieve(url, file_path)

with open("the-verdict.txt", "r", encoding="utf-8") as f:
raw_text = f.read()

# Tokenize the code using GPT2 tokenizer version
import tiktoken
token_ids = tiktoken.get_encoding("gpt2").encode(txt, allowed_special={"[EOS]"}) # Allow the user of the tag "[EOS]"

# Print first 50 tokens
print(token_ids[:50])
#[40, 367, 2885, 1464, 1807, 3619, 402, 271, 10899, 2138, 257, 7026, 15632, 438, 2016, 257, 922, 5891, 1576, 438, 568, 340, 373, 645, 1049, 5975, 284, 502, 284, 3285, 326, 11, 287, 262, 6001, 286, 465, 13476, 11, 339, 550, 5710, 465, 12036, 11, 6405, 257, 5527, 27075, 11]

Riferimenti

Previous0. Basic LLM ConceptsNext2. Data Sampling

Last updated