Ukranian - Ht
HackTricks TrainingTwitterLinkedinSponsor

1. Tokenizing

Токенізація

Токенізація — це процес розподілу даних, таких як текст, на менші, керовані частини, які називаються токенами. Кожному токену присвоюється унікальний числовий ідентифікатор (ID). Це основний етап підготовки тексту для обробки моделями машинного навчання, особливо в обробці природної мови (NLP).

Мета цього початкового етапу дуже проста: Розділіть вхідні дані на токени (id) таким чином, щоб це мало сенс.

Як працює токенізація

  1. Розділення тексту:

  • Базовий токенізатор: Простий токенізатор може розділити текст на окремі слова та знаки пунктуації, видаляючи пробіли.

  • Приклад: Текст: "Привіт, світе!" Токени: ["Привіт", ",", "світе", "!"]

  1. Створення словника:

  • Щоб перетворити токени на числові ID, створюється словник. Цей словник містить усі унікальні токени (слова та символи) і присвоює кожному конкретний ID.

  • Спеціальні токени: Це спеціальні символи, додані до словника для обробки різних сценаріїв:

  • [BOS] (Початок послідовності): Вказує на початок тексту.

  • [EOS] (Кінець послідовності): Вказує на кінець тексту.

  • [PAD] (Доповнення): Використовується для того, щоб усі послідовності в партії мали однакову довжину.

  • [UNK] (Невідомий): Представляє токени, які не входять до словника.

  • Приклад: Якщо "Привіт" отримує ID 64, "," — 455, "світе" — 78, а "!" — 467, тоді: "Привіт, світе!" → [64, 455, 78, 467]

  • Обробка невідомих слів: Якщо слово, наприклад, "Бувай", не входить до словника, його замінюють на [UNK]. "Бувай, світе!" → ["[UNK]", ",", "світе", "!"] → [987, 455, 78, 467] (Припускаючи, що [UNK] має ID 987)

Розширені методи токенізації

Хоча базовий токенізатор добре працює для простих текстів, він має обмеження, особливо з великими словниками та обробкою нових або рідкісних слів. Розширені методи токенізації вирішують ці проблеми, розбиваючи текст на менші підодиниці або оптимізуючи процес токенізації.

  1. Кодування пар байтів (BPE):

  • Мета: Зменшує розмір словника та обробляє рідкісні або невідомі слова, розбиваючи їх на часто вживані пари байтів.

  • Як це працює:

  • Починає з окремих символів як токенів.

  • Ітеративно об'єднує найбільш часті пари токенів в один токен.

  • Продовжує, поки не залишиться жодних частих пар, які можна об'єднати.

  • Переваги:

  • Вилучає необхідність у токені [UNK], оскільки всі слова можуть бути представлені шляхом об'єднання існуючих підсловникових токенів.

  • Більш ефективний і гнучкий словник.

  • Приклад: "граючи" може бути токенізовано як ["грати", "ючи"], якщо "грати" та "ючи" є частими підсловами.

  1. WordPiece:

  • Використовується: Моделями, такими як BERT.

  • Мета: Подібно до BPE, розбиває слова на підсловникові одиниці для обробки невідомих слів і зменшення розміру словника.

  • Як це працює:

  • Починає з базового словника окремих символів.

  • Ітеративно додає найбільш часте підслово, яке максимізує ймовірність навчальних даних.

  • Використовує ймовірнісну модель для визначення, які підслова об'єднувати.

  • Переваги:

  • Балансує між наявністю керованого розміру словника та ефективним представленням слів.

  • Ефективно обробляє рідкісні та складні слова.

  • Приклад: "незадоволеність" може бути токенізовано як ["незадоволеність"] або ["не", "задоволений", "ість"] залежно від словника.

  1. Модель мови Unigram:

  • Використовується: Моделями, такими як SentencePiece.

  • Мета: Використовує ймовірнісну модель для визначення найбільш ймовірного набору підсловникових токенів.

  • Як це працює:

  • Починає з великого набору потенційних токенів.

  • Ітеративно видаляє токени, які найменше покращують ймовірність моделі навчальних даних.

  • Завершує словник, де кожне слово представлено найбільш ймовірними підсловниковими одиницями.

  • Переваги:

  • Гнучка і може моделювати мову більш природно.

  • Часто призводить до більш ефективних і компактних токенізацій.

  • Приклад: "міжнародна діяльність" може бути токенізовано на менші, значущі підслова, такі як ["міжнародна", "діяльність"].

Приклад коду

Давайте зрозуміємо це краще з прикладу коду з 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]

References

Previous0. Basic LLM ConceptsNext2. Data Sampling

Last updated