优雅谈大模型：Token与分词方法

1.Token

在继续前行之前，需要先停下来澄清下Token这个词，以及如何将原始的语料转化为Token，在细究背后的原理之后会更加优雅的理解大模型。任何的资讯都可以生成语料，而这些语料需要被机器理解以及供后续的模型训练，那么最常见的做法是将一段文字先切片，然后一一对应的转化为数字或者向量输入模型。通常而言有三种类型的分词法：基于单词、字符以及子词的分词法。单词和字符这里就不解释，字词法运用得最为广泛，也是最为主流。字词分词法包含了BPE、WordPiece、Unigram等。GPT等主流大模型也是采用BPE的分词法。

图片

按照常识，中文不是应该一个字一个Token。因为这里举的例子是GPT，一个多语言模型，它覆盖了国际很多种语言。但是它并没有特殊的针对中文做适配，因此它采用了一种办法，将中文转为unicode，然后在按照英文的体系去切分，所以会看到有些切块是“？”的字符。其实这样一来，整体效率降低了，而且代价巨大，毕竟收费是基于Token数。

2.分词方法

BPE、WordPiece、SentencePiece等方法的技术专业性的详细拆解后续可以参见​​《大模型背后的基础模型》​​这个专栏。

各种分词法对比，各种分词法都是基于大的词汇库然后按照特定的算法进行学习切分。BPE是贪婪而且是确定的，SentencePiece是可以针对同一个字符串进行反复的抽样。

BPE（Byte Pair Encoding）自于论文《Neural Machine Translation of Rare Words with Subword Units》。它是一种基于频率的分词方法，它从一个完整的词汇表开始，迭代地合并出现频率最高的字符对，直到预定的词汇表规模。例如：“I love lubanmochui.” 使用BPE分词法，首先将每个单词分割成字符，然后合并最常见的字符对。也许“love”会变成“lo”和“ve”，因为“lo”和“ve”在整个语料库中频繁出现。英语中“un”、“est”、“less”也经常被单独提炼出来。

WordPiece来至论文《Japanese and korean voice search》，和BPE一样在合并字符时除了考虑出现的频率，还考虑了合并后的token对整体语言模型的贡献，某种意义是基于概率的分词法。毕竟有些名词，例如针对蔬菜名合并和切分的意义不大，保留词汇的原始意义是最优的选择。

SentencePiece来至论文《Subword Regularization: Improving Neural Network Translation Models with Multiple Subword Candidates》。它是谷歌推出的子词开源工具包，其中集成了BPE、ULM子词算法。除此之外，SentencePiece还能支持字符和词级别的分词。为了能够处理多语言问题，SentencePiece将句子视为Unicode编码序列，从而子词算法不用依赖于语言的表示。

3.HuggingFace Tokenizer

HuggingFace（重量级的大模型社区）的介绍会放在后续，这里主要介绍下HuggingFace提供的Tokenizer的库。在HuggingFace里面它对于输入文本的处理流程（黄色部分）如下图所示，粉色则为处理的输出结果。

注意：

GPT, GPT-2, RoBERTa, BART, DeBERTa 等模型使用了 BPE，其中 GPT-2 使用了 byte-level BPE 。

BERT,DistilBERT,MobileBERT,Funnel Transformers,MPNET等模型使用了WordPiece。Hugging Face中的实现是基于已发表文献的模拟。

AlBERT,T5,mBART,Big Bird,XLNet等模型使用了 Unigram。

• Normalization：标准化步骤，包括一些常规清理，例如删除不必要的空格、小写、以及删除重音符号
• Pre-tokenization：tokenizer 不能单独在原始文本上进行训练。相反，我们首先需要将文本拆分为小的单元，例如单词。这就是pre-tokenization 步骤。基于单词的tokenizer可以简单地基于空白和标点符号将原始文本拆分为单词。这些词将是tokenizer在训练期间可以学习的子词边界
• Model：执行tokenization从而生成token序列
• Postprocessor：针对具体的任务插入special token，以及生成attention mask和token-type ID

本文转载自 ​​鲁班模锤​​，作者： 庞德公