零基础入门AI：1 token ~= 3/4 words？3分钟理解大语言模型分词

ChatGPT API 按 token 数量收费，那么1个token究竟是多少？

按Openai 的估算，1 token ~= 3/4 words，100个token大约是75个单词。

输入的文本是如何被分解为 token 的呢？在大语言模型处理文本时，分词（Tokenization）是最基础又相对独立的一个环节，在整个流程中非常重要，但又经常容易被忽略。今天我们就一起来梳理分词（Tokenization）相关的知识。

简介

什么是分词（Tokenization）？

分词（Tokenization）是为了将自然语言转换为计算机可以理解的数值形式。分词的过程是将文本分解为更小单元的过程，这些更小的单元通常被称为 token。这些token可以是单词、子词或者字符，具体取决于所选用的分词方法。这些token将会进一步被转换为数字ID，再转换为向量，从而成为计算机可以理解的输入形式。

分词粒度

分词（Tokenization）有三种主要的粒度：

词级别（Word-Based Tokenization）：这是最自然的语言单元，对于像英文这样的语言，单词之间天然存在空格分隔，因此切分相对容易。但会造成词表过大，也一定会存在超出词汇表的词（OOV），而且还不能学到词根或词缀的关系。
字符级别（Character-Based Tokenization）：这是最细粒度的tokenize方法，将文本切分为单个字符。这种方法在处理某些语言或任务时可能很有用，尤其是当文本中包含很多未知词或拼写错误时。然而，字符级别的tokenize会丢失一些词或短语级别的语义信息。
子词级别（Subword-Based Tokenization）：这种方法介于词和字符之间，旨在解决词级别tokenize可能遇到的问题，如超出词汇表的词（OOV）问题和词表过大问题。子词方法可以将一个词进一步切分为更小的有意义的单元，如词缀或词根。这也是目前最主流的分词粒度。

Subword 分词方法

常见的 subword 分词方法大致可分为以下两类：

基于规则的分词方法：比如python中的NLTK、spaCy等等，通常是依赖于预定义的规则和模式来识别分词的边界。

>>> from nltk.tokenize import word_tokenize
>>> 
>>> text = "Don't you love eating apples?"
>>> word_tokens = word_tokenize(text)
>>> print(word_tokens)
['Do', "n't", 'you', 'love', 'eating', 'apples', '?']
>>>

基于预训练模型的分词方法：比如python中的transformer，可以加载不同的预训练模型，这些模型已经在大量文本上进行了训练，学习了单词的上下文表示。
```
>>> from transformers import AutoTokenizer
>>> 
>>> tokenizer = AutoTokenizer.from_pretrained("lmsys/vicuna-7b-v1.5")
>>> 
>>> text = "Don't you love eating apples?"
>>> tokenizer.tokenize(text)
['▁Don', "'", 't', '▁you', '▁love', '▁e', 'ating', '▁app', 'les', '?']
>>> 
```
在目前主流的大语言预训练模型中，常见的 subword 分词算法有三种：
- BPE（Byte Pair Encoding）：BPE是一种基于频率的子词分词算法，它从字符级别的分词开始，通过不断合并常见的相邻字符来生成新的子词。这个过程持续进行，直到达到预定的词表大小。
- WordPiece：WordPiece也是通过合并子词来构建词表，但WordPiece不是基于频率，而是基于能够最大化语言模型概率的相邻子词对。
- Unigram：Unigram采用一种减量式的分词方法，首先构建一个非常大的初始词表，然后根据评估规则，不断从词表中移除子词，直到满足预定的词表大小。

Transformers AutoTokenizer

分词 tokenize

>>> from transformers import AutoTokenizer
>>> 
>>> tokenizer = AutoTokenizer.from_pretrained("lmsys/vicuna-7b-v1.5")
>>> 
>>> text = "Don't you love eating apples?"
>>> tokenizer.tokenize(text)
['▁Don', "'", 't', '▁you', '▁love', '▁e', 'ating', '▁app', 'les', '?']
>>> 
>>> text = "He is eating an apple."
>>> tokenizer.tokenize(text)
['▁He', '▁is', '▁e', 'ating', '▁an', '▁apple', '.']
>>>

编码 encode

可以使用 tokenizer.encode 直接将文本转换为词表中的token ID列表（带cls 和sep，带truncation，带padding）：

>>> text = "Don't you love eating apples?"
>>> tokenizer.encode(text)
[1, 3872, 29915, 29873, 366, 5360, 321, 1218, 623, 793, 29973]
>>>

也可以分两步，tokenize和convert_tokens_to_ids，将文本转换为词表中的token ID列表（不带cls 和 sep）：

>>> text = "Don't you love eating apples?"
>>> tokens = tokenizer.tokenize(text)
>>> print(tokens)
['▁Don', "'", 't', '▁you', '▁love', '▁e', 'ating', '▁app', 'les', '?']
>>> ids = tokenizer.convert_tokens_to_ids(tokens)
>>> print(ids)
[3872, 29915, 29873, 366, 5360, 321, 1218, 623, 793, 29973]
>>>

解码 decode

大语言模型在完成推理后，输出的是词表中的token ID，可以使用 decode 将其解码成文本。

>>> text = "Don't you love eating apples?"
>>> tokens = tokenizer.tokenize(text)
>>> print(tokens)
['▁Don', "'", 't', '▁you', '▁love', '▁e', 'ating', '▁app', 'les', '?']
>>> ids = tokenizer.convert_tokens_to_ids(tokens)
>>> print(ids)
[3872, 29915, 29873, 366, 5360, 321, 1218, 623, 793, 29973]
>>> decoded_text = tokenizer.decode(ids)
>>> print(decoded_text)
Don't you love eating apples?
>>>

类似的，也可以用 convert_ids_to_tokens 和 convert_tokens_to_string 两步来实现

>>> text = "Don't you love eating apples?"
>>> tokens = tokenizer.tokenize(text)
>>> print(tokens)
['▁Don', "'", 't', '▁you', '▁love', '▁e', 'ating', '▁app', 'les', '?']
>>> ids = tokenizer.convert_tokens_to_ids(tokens)
>>> print(ids)
[3872, 29915, 29873, 366, 5360, 321, 1218, 623, 793, 29973]
>>> output_tokens = tokenizer.convert_ids_to_tokens(ids)
>>> print(output_tokens)
['▁Don', "'", 't', '▁you', '▁love', '▁e', 'ating', '▁app', 'les', '?']
>>> decoded_text = tokenizer.convert_tokens_to_string(output_tokens)
>>> print(decoded_text)
Don't you love eating apples?
>>>

词表是啥样？

>>> from transformers import AutoTokenizer
>>> 
>>> tokenizer = AutoTokenizer.from_pretrained("lmsys/vicuna-7b-v1.5")
>>> list(tokenizer.vocab.items())[:5]
[('▁програм', 20796), ('prüng', 21563), ('▁Level', 21597), ('adu', 13467), ('▁prob', 2070)]

在前文的“编码 encode”步骤中，可以看到 ▁Don 被编码为 3872，t被编码为29873，现在可以在词表中验证一下：

>>> tokenizer.vocab['▁Don']
3872
>>> tokenizer.vocab['t']
29873
>>>

词表有多大？

>>> len(tokenizer.vocab)
32000
>>>

小羊驼（Vicuna）

config.json

小羊驼（Vicuna）的 config.json 如下

{
  "_name_or_path": "vicuna-7b-v1.5",
  "architectures": [
    "LlamaForCausalLM"
  ],
  "bos_token_id": 1,
  "eos_token_id": 2,
  "hidden_act": "silu",
  "hidden_size": 4096,
  "initializer_range": 0.02,
  "intermediate_size": 11008,
  "max_position_embeddings": 4096,
  "model_type": "llama",
  "num_attention_heads": 32,
  "num_hidden_layers": 32,
  "num_key_value_heads": 32,
  "pad_token_id": 0,
  "pretraining_tp": 1,
  "rms_norm_eps": 1e-05,
  "rope_scaling": null,
  "tie_word_embeddings": false,
  "torch_dtype": "float16",
  "transformers_version": "4.31.0",
  "use_cache": true,
  "vocab_size": 32000
}

从中也可以印证词汇表的大小是32000。

tokenizer_config.json

小羊驼（Vicuna）的 tokenizer_config.json如下

{
  "add_bos_token": true,
  "add_eos_token": false,
  "bos_token": {
    "__type": "AddedToken",
    "content": "<s>",
    "lstrip": false,
    "normalized": false,
    "rstrip": false,
    "single_word": false
  },
  "clean_up_tokenization_spaces": false,
  "eos_token": {
    "__type": "AddedToken",
    "content": "</s>",
    "lstrip": false,
    "normalized": false,
    "rstrip": false,
    "single_word": false
  },
  "legacy": false,
  "model_max_length": 4096,
  "pad_token": null,
  "padding_side": "right",
  "sp_model_kwargs": {},
  "tokenizer_class": "LlamaTokenizer",
  "unk_token": {
    "__type": "AddedToken",
    "content": "<unk>",
    "lstrip": false,
    "normalized": false,
    "rstrip": false,
    "single_word": false
  }
}

从以上“vicuna-7b-v1.5/tokenizer_config.json”中可以看到，最大支持4096个token，分词类使用的是LlamaTokenizer，开始符定义为“<s>”，结束符定义为“</s>”，超出词汇表的定义为“<unk>”。

在前文的“编码 encode”中使用 tokenizer.encode 时，会添加开始符，就是在最前端添加“<s>”，验证如下：

>>> text = "Don't you love eating apples?"
>>> tokenizer.encode(text)
[1, 3872, 29915, 29873, 366, 5360, 321, 1218, 623, 793, 29973]
>>> 
>>> tokenizer.vocab['<s>']
1
>>> tokenizer.vocab['</s>']
2
>>> tokenizer.vocab['<unk>']
0

在这里插入图片描述