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

# 1. Tokenizing

## Tokenizing

**Tokenizing** é o processo de dividir dados, como texto, em partes menores e gerenciáveis chamadas _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).

{% hint style="success" %}
O objetivo desta fase inicial é muito simples: **Dividir a entrada em tokens (ids) de uma maneira que faça sentido**.
{% endhint %}

### **How Tokenizing Works**

1. **Splitting the Text:**
* **Basic Tokenizer:** Um tokenizer simples pode dividir o texto em palavras individuais e sinais de pontuação, removendo espaços.
* _Exemplo:_\
Texto: `"Hello, world!"`\
Tokens: `["Hello", ",", "world", "!"]`
2. **Creating a Vocabulary:**
* 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.
* **Special Tokens:** 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]`
* **Handling Unknown Words:**\
Se uma palavra como `"Bye"` não está no vocabulário, ela é substituída por `[UNK]`.\
`"Bye, world!"` → `["[UNK]", ",", "world", "!"]` → `[987, 455, 78, 467]`\
_(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):**
* **Purpose:** Reduz o tamanho do vocabulário e lida com palavras raras ou desconhecidas, dividindo-as em pares de bytes que ocorrem com frequência.
* **How It Works:**
* 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.
* **Benefits:**
* 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.
2. **WordPiece:**
* **Used By:** Modelos como BERT.
* **Purpose:** Semelhante ao BPE, divide palavras em unidades de subpalavras para lidar com palavras desconhecidas e reduzir o tamanho do vocabulário.
* **How It Works:**
* 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.
* **Benefits:**
* 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.
3. **Unigram Language Model:**
* **Used By:** Modelos como SentencePiece.
* **Purpose:** Usa um modelo probabilístico para determinar o conjunto mais provável de tokens de subpalavras.
* **How It Works:**
* 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.
* **Benefits:**
* 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](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]
```
## Referências

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