hacktricks/todo/llm-training-data-preparation/1.-tokenizing.md

# 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).

{% hint style="success" %}
L'obiettivo di questa fase iniziale è molto semplice: **Dividere l'input in token (ids) in un modo che abbia senso**.
{% endhint %}

### **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", "!"]`
2. **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.
2. **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.
3. **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](https://github.com/rasbt/LLMs-from-scratch/blob/main/ch02/01\_main-chapter-code/ch02.ipynb):
```python
# 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

* [https://www.manning.com/books/build-a-large-language-model-from-scratch](https://www.manning.com/books/build-a-large-language-model-from-scratch)