HackTricks TrainingTwitterLinkedinSponsor

1. Tokenizing

Tokenizing

Tokenizing é o processo de dividir dados, como texto, em pedaços menores e gerenciáveis chamados tokens. Cada token é então atribuído a um identificador numérico único (ID). Este é um passo fundamental na preparação do texto para processamento por modelos de aprendizado de máquina, especialmente em processamento de linguagem natural (NLP).

O objetivo desta fase inicial é muito simples: Dividir a entrada em tokens (ids) de uma maneira que faça sentido.

How Tokenizing Works

  1. Dividindo o Texto:

  • Tokenizer Básico: Um tokenizer simples pode dividir o texto em palavras individuais e sinais de pontuação, removendo espaços.

  • Exemplo: Texto: "Hello, world!" Tokens: ["Hello", ",", "world", "!"]

  1. Criando um Vocabulário:

  • Para converter tokens em IDs numéricos, um vocabulário é criado. Este vocabulário lista todos os tokens únicos (palavras e símbolos) e atribui a cada um um ID específico.

  • Tokens Especiais: Estes são símbolos especiais adicionados ao vocabulário para lidar com vários cenários:

  • [BOS] (Início da Sequência): Indica o início de um texto.

  • [EOS] (Fim da Sequência): Indica o fim de um texto.

  • [PAD] (Preenchimento): Usado para fazer com que todas as sequências em um lote tenham o mesmo comprimento.

  • [UNK] (Desconhecido): Representa tokens que não estão no vocabulário.

  • Exemplo: Se "Hello" é atribuído ao ID 64, "," é 455, "world" é 78, e "!" é 467, então: "Hello, world!" → [64, 455, 78, 467]

  • Tratando Palavras Desconhecidas: Se uma palavra como "Bye" não está no vocabulário, ela é substituída por [UNK]. "Bye, world!" → ["[UNK]", ",", "world", "!"] → [987, 455, 78, 467] &#xNAN;(Assumindo que [UNK] tem ID 987)

Advanced Tokenizing Methods

Enquanto o tokenizer básico funciona bem para textos simples, ele tem limitações, especialmente com vocabulários grandes e ao lidar com palavras novas ou raras. Métodos avançados de tokenização abordam essas questões dividindo o texto em subunidades menores ou otimizando o processo de tokenização.

  1. Byte Pair Encoding (BPE):

  • Propósito: Reduz o tamanho do vocabulário e lida com palavras raras ou desconhecidas, dividindo-as em pares de bytes que ocorrem com frequência.

  • Como Funciona:

  • Começa com caracteres individuais como tokens.

  • Mescla iterativamente os pares de tokens mais frequentes em um único token.

  • Continua até que não haja mais pares frequentes que possam ser mesclados.

  • Benefícios:

  • Elimina a necessidade de um token [UNK], uma vez que todas as palavras podem ser representadas combinando tokens de subpalavras existentes.

  • Vocabulário mais eficiente e flexível.

  • Exemplo: "playing" pode ser tokenizado como ["play", "ing"] se "play" e "ing" forem subpalavras frequentes.

  1. WordPiece:

  • Usado Por: Modelos como BERT.

  • Propósito: Semelhante ao BPE, divide palavras em unidades de subpalavras para lidar com palavras desconhecidas e reduzir o tamanho do vocabulário.

  • Como Funciona:

  • Começa com um vocabulário base de caracteres individuais.

  • Adiciona iterativamente a subpalavra mais frequente que maximiza a probabilidade dos dados de treinamento.

  • Usa um modelo probabilístico para decidir quais subpalavras mesclar.

  • Benefícios:

  • Equilibra entre ter um tamanho de vocabulário gerenciável e representar palavras de forma eficaz.

  • Lida eficientemente com palavras raras e compostas.

  • Exemplo: "unhappiness" pode ser tokenizado como ["un", "happiness"] ou ["un", "happy", "ness"] dependendo do vocabulário.

  1. Unigram Language Model:

  • Usado Por: Modelos como SentencePiece.

  • Propósito: Usa um modelo probabilístico para determinar o conjunto mais provável de tokens de subpalavras.

  • Como Funciona:

  • Começa com um grande conjunto de tokens potenciais.

  • Remove iterativamente tokens que menos melhoram a probabilidade do modelo em relação aos dados de treinamento.

  • Finaliza um vocabulário onde cada palavra é representada pelas unidades de subpalavras mais prováveis.

  • Benefícios:

  • Flexível e pode modelar a linguagem de forma mais natural.

  • Muitas vezes resulta em tokenizações mais eficientes e compactas.

  • Exemplo: "internationalization" pode ser tokenizado em subpalavras menores e significativas como ["international", "ization"].

Code Example

Vamos entender isso melhor a partir de um exemplo de código de 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]

Referências

Previous0. Basic LLM ConceptsNext2. Data Sampling

Last updated