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

1. Tokenizing

Tokenizing

Tokenizing είναι η διαδικασία διάσπασης δεδομένων, όπως το κείμενο, σε μικρότερα, διαχειρίσιμα κομμάτια που ονομάζονται tokens. Κάθε token ανατίθεται σε έναν μοναδικό αριθμητικό αναγνωριστικό (ID). Αυτό είναι ένα θεμελιώδες βήμα στην προετοιμασία του κειμένου για επεξεργασία από μοντέλα μηχανικής μάθησης, ειδικά στην επεξεργασία φυσικής γλώσσας (NLP).

{% hint style="success" %} Ο στόχος αυτής της αρχικής φάσης είναι πολύ απλός: Διαχωρίστε την είσοδο σε tokens (ids) με κάποιον τρόπο που έχει νόημα. {% endhint %}

How Tokenizing Works

1. Splitting the Text:

• Basic Tokenizer: Ένας απλός tokenizer μπορεί να διαχωρίσει το κείμενο σε μεμονωμένες λέξεις και σημεία στίξης, αφαιρώντας τα κενά.
• Example:
  Κείμενο: "Hello, world!"
  Tokens: ["Hello", ",", "world", "!"]

2. Creating a Vocabulary:

• Για να μετατρέψετε τα tokens σε αριθμητικά IDs, δημιουργείται ένα λεξιλόγιο. Αυτό το λεξιλόγιο απαριθμεί όλα τα μοναδικά tokens (λέξεις και σύμβολα) και αναθέτει σε κάθε ένα έναν συγκεκριμένο ID.
• Special Tokens: Αυτά είναι ειδικά σύμβολα που προστίθενται στο λεξιλόγιο για να χειριστούν διάφορα σενάρια:
• [BOS] (Beginning of Sequence): Υποδεικνύει την αρχή ενός κειμένου.
• [EOS] (End of Sequence): Υποδεικνύει το τέλος ενός κειμένου.
• [PAD] (Padding): Χρησιμοποιείται για να κάνει όλες τις ακολουθίες σε μια παρτίδα του ίδιου μήκους.
• [UNK] (Unknown): Αντιπροσωπεύει tokens που δεν είναι στο λεξιλόγιο.
• Example:
  Αν το "Hello" έχει ανατεθεί ID 64, "," είναι 455, "world" είναι 78, και "!" είναι 467, τότε:
  "Hello, world!" → [64, 455, 78, 467]
• Handling Unknown Words:
  Αν μια λέξη όπως το "Bye" δεν είναι στο λεξιλόγιο, αντικαθίσταται με [UNK].
  "Bye, world!" → ["[UNK]", ",", "world", "!"] → [987, 455, 78, 467]
  (Υποθέτοντας ότι το [UNK] έχει ID 987)

Advanced Tokenizing Methods

Ενώ ο βασικός tokenizer λειτουργεί καλά για απλά κείμενα, έχει περιορισμούς, ειδικά με μεγάλα λεξιλόγια και την επεξεργασία νέων ή σπάνιων λέξεων. Οι προηγμένες μέθοδοι tokenization αντιμετωπίζουν αυτά τα ζητήματα διασπώντας το κείμενο σε μικρότερες υπομονάδες ή βελτιστοποιώντας τη διαδικασία tokenization.

1. Byte Pair Encoding (BPE):

• Purpose: Μειώνει το μέγεθος του λεξιλογίου και χειρίζεται σπάνιες ή άγνωστες λέξεις διασπώντας τις σε συχνά εμφανιζόμενα ζεύγη byte.
• How It Works:
• Ξεκινά με μεμονωμένους χαρακτήρες ως tokens.
• Συγχωνεύει επαναληπτικά τα πιο συχνά ζεύγη tokens σε ένα μόνο token.
• Συνεχίζει μέχρι να μην μπορούν να συγχωνευτούν περισσότερα συχνά ζεύγη.
• Benefits:
• Εξαλείφει την ανάγκη για ένα token [UNK] καθώς όλες οι λέξεις μπορούν να αναπαρασταθούν συνδυάζοντας υπάρχοντα υπολέξεις tokens.
• Πιο αποδοτικό και ευέλικτο λεξιλόγιο.
• Example:
  "playing" μπορεί να tokenized ως ["play", "ing"] αν το "play" και το "ing" είναι συχνές υπολέξεις.

2. WordPiece:

• Used By: Μοντέλα όπως το BERT.
• Purpose: Παρόμοιο με το BPE, διασπά τις λέξεις σε υπομονάδες για να χειριστεί άγνωστες λέξεις και να μειώσει το μέγεθος του λεξιλογίου.
• How It Works:
• Ξεκινά με ένα βασικό λεξιλόγιο από μεμονωμένους χαρακτήρες.
• Προσθέτει επαναληπτικά την πιο συχνή υπολέξη που μεγιστοποιεί την πιθανότητα των δεδομένων εκπαίδευσης.
• Χρησιμοποιεί ένα πιθανοκρατικό μοντέλο για να αποφασίσει ποιες υπολέξεις να συγχωνεύσει.
• Benefits:
• Ισορροπεί μεταξύ του να έχει ένα διαχειρίσιμο μέγεθος λεξιλογίου και να αναπαριστά αποτελεσματικά τις λέξεις.
• Χειρίζεται αποδοτικά σπάνιες και σύνθετες λέξεις.
• Example:
  "unhappiness" μπορεί να tokenized ως ["un", "happiness"] ή ["un", "happy", "ness"] ανάλογα με το λεξιλόγιο.

3. Unigram Language Model:

• Used By: Μοντέλα όπως το SentencePiece.
• Purpose: Χρησιμοποιεί ένα πιθανοκρατικό μοντέλο για να προσδιορίσει το πιο πιθανό σύνολο υπολέξεων tokens.
• How It Works:
• Ξεκινά με ένα μεγάλο σύνολο πιθανών tokens.
• Αφαιρεί επαναληπτικά tokens που λιγότερο βελτιώνουν την πιθανότητα του μοντέλου για τα δεδομένα εκπαίδευσης.
• Ολοκληρώνει ένα λεξιλόγιο όπου κάθε λέξη αναπαρίσταται από τις πιο πιθανές υπολέξεις.
• Benefits:
• Ευέλικτο και μπορεί να μοντελοποιήσει τη γλώσσα πιο φυσικά.
• Συχνά οδηγεί σε πιο αποδοτικές και συμπαγείς tokenizations.
• Example:
  "internationalization" μπορεί να tokenized σε μικρότερες, σημασιολογικά σημαντικές υπολέξεις όπως ["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:

# 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]

Αναφορές

• https://www.manning.com/books/build-a-large-language-model-from-scratch