从零实现GPT【1】——BPE

2024-06-23 17:04
文章标签 实现 gpt bpe

本文主要是介绍从零实现GPT【1】——BPE,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

  • Embedding 的原理
  • 训练
  • 特殊 token 处理和保存
  • 编码
  • 解码
  • 完整代码

BPE,字节对编码

Embedding 的原理

image.png

  • 简单来说就是查表
# 解释embedding
from torch.nn import Embedding
import torch# 标准的正态分布初始化 也可以用均匀分布初始化
emb = Embedding(10, 32)
res = emb(torch.tensor([[0, 1, 2]
]))
print(res.shape)  # torch.Size([1, 3, 32]) [batch, seq_len, dim]
  • 自己实现
# 解释embedding
from torch.nn import Embedding, Parameter, Module
import torchclass MyEmbing(Module):def __init__(self, vocab_size, dim):super().__init__()self.emb_matrix = Parameter(torch.randn(vocab_size, dim))# Parameter标记self.emb_matrix需要被训练def forward(self, ids):return self.emb_matrix[ids]  # 取索引这个操作可以反向传播emb = MyEmbedding(10, 32)
res = emb(torch.tensor([[0, 1, 2]
]))
print(res.shape)  # torch.Size([1, 3, 32]) [batch, seq_len, dim]

训练

  1. 初始化词表,一般是 0-255 个 ASCII 编码
  2. 设置词表大小 Max_size
  3. 循环统计相邻两个字节的频率,取最高的合并后作为新的 token 加入到词表中
  4. 合并新的 token
  5. 重复 c、d,直到词表大小到Max_size 或者 没有更多的相邻 token
class BPETokenizer:def __init__(self):self.b2i = OrderedDict()  # bytes to idself.i2b = OrderedDict()  # id to bytes (b2i的反向映射)self.next_id = 0# special tokenself.sp_s2i = {}  # str to idself.sp_i2s = {}  # id to str# 相邻token统计def _pair_stats(self, tokens, stats):for i in range(len(tokens)-1):new_token = tokens[i]+tokens[i+1]if new_token not in stats:stats[new_token] = 0stats[new_token] += 1# 合并相邻tokendef _merge_pair(self, tokens, new_token):merged_tokens = []i = 0while i < len(tokens):if i+1 < len(tokens) and tokens[i]+tokens[i+1] == new_token:merged_tokens.append(tokens[i]+tokens[i+1])i += 2else:merged_tokens.append(tokens[i])i += 1return merged_tokensdef train(self, text_list, vocab_size):# 单字节是最基础的token,初始化词表for i in range(256):self.b2i[bytes([i])] = iself.next_id = 256# 语料转bytetokens_list = []for text in text_list:tokens = [bytes([b]) for b in text.encode('utf-8')]tokens_list.append(tokens)# 进度条progress = tqdm(total=vocab_size, initial=256)while True:# 词表足够大了,退出训练if self.next_id >= vocab_size:break# 统计相邻token频率stats = {}for tokens in tokens_list:self._pair_stats(tokens, stats)# 没有更多相邻token, 无法生成更多token,退出训练if not stats:break# 合并最高频的相邻token,作为新的token加入词表new_token = max(stats, key=stats.get)new_tokens_list = []for tokens in tokens_list:# self._merge_pair(tokens, new_token) -> listnew_tokens_list.append(self._merge_pair(tokens, new_token))tokens_list = new_tokens_list# new token加入词表self.b2i[new_token] = self.next_idself.next_id += 1# 刷新进度条progress.update(1)self.i2b = {v: k for k, v in self.b2i.items()}

特殊 token 处理和保存

  • 特殊 token 加到词表中
tokenizer = BPETokenizer()# 特殊token
tokenizer.add_special_tokens((['<|im_start|>', '<|im_end|>', '<|endoftext|>', '<|padding|>']))# 特殊token
def add_special_tokens(self, special_tokens):for token in special_tokens:if token not in self.sp_s2i:self.sp_s2i[token] = self.next_idself.sp_i2s[self.next_id] = tokenself.next_id += 1
  • 保存和加载
tokenizer.save('tokenizer.bin')def save(self, file):with open(file, 'wb') as fp:fp.write(pickle.dumps((self.b2i, self.sp_s2i, self.next_id)))# 还原
tokenizer = BPETokenizer()
tokenizer.load('tokenizer.bin')
print('vocab size:', tokenizer.vocab_size())def load(self, file):with open(file, 'rb') as fp:self.b2i, self.sp_s2i, self.next_id = pickle.loads(fp.read())self.i2b = {v: k for k, v in self.b2i.items()}self.sp_i2s = {v: k for k, v in self.sp_s2i.items()}

编码

  1. 分离特殊 token,用于直接映射特殊 token
  2. 进行编码,特殊 token 直接编码就好,普通 token 继续

while True:

  1. 对于普通 token, 统计相邻 token 频率
  2. 选择合并后的 id 最小的 pair token 合并(也就是优先合并短的)
  3. 重复 c d,直到没有合并的 pair token

不断循环 token,统计相邻 token 的频率,取 id 最小的 pair 进行合并,从而可以拼接成更大的 id

# 编码
ids, tokens = tokenizer.encode('<|im_start|>system\nyou are a helper assistant\n<|im_end|>\n<|im_start|>user\n今天的天气\n<|im_end|><|im_start|>assistant\n')
print('encode:', ids, tokens)
'''
encode: 
[300, 115, 121, 115, 116, 101, 109, 10, 121, 111, 117, 32, 97, 114, 276, 97, 32, 104, 101, 108, 112, 101, 293, 97, 115, 115, 105, 115, 116, 97, 110, 116, 10, 301, 10, 300, 117, 115, 101, 114, 10, 265, 138, 266, 169, 261, 266, 169, 230, 176, 148, 10, 301, 300, 97, 115, 115, 105, 115, 116, 97, 110, 116, 10] [b'<|im_start|>', b's', b'y', b's', b't', b'e', b'm', b'\n', b'y', b'o', b'u', b' ', b'a', b'r', b'e ', b'a', b' ', b'h', b'e', b'l', b'p', b'e', b'r ', b'a', b's', b's', b'i', b's', b't', b'a', b'n', b't', b'\n', b'<|im_end|>', b'\n', b'<|im_start|>', b'u', b's', b'e', b'r', b'\n', b'\xe4\xbb', b'\x8a', b'\xe5\xa4', b'\xa9', b'\xe7\x9a\x84', b'\xe5\xa4', b'\xa9', b'\xe6', b'\xb0', b'\x94', b'\n', b'<|im_end|>', b'<|im_start|>', b'a', b's', b's', b'i', b's', b't', b'a', b'n', b't', b'\n']
''''''
在Python中,Unicode字符通常以"\x"开头,后面跟着两个十六进制数字,或者以"\u"开头,后面跟着四个十六进制数字。
'''def encode(self, text):# 特殊token分离pattern = '('+'|'.join([re.escape(tok) for tok in self.sp_s2i])+')'splits = re.split(pattern, text)  # [ '<|im_start|>', 'user', '<||>' ]# 编码结果enc_ids = []enc_tokens = []for sub_text in splits:if sub_text in self.sp_s2i:  # 特殊token,直接对应idenc_ids.append(self.sp_s2i[sub_text])enc_tokens.append(sub_text.encode('utf-8'))else:tokens = [bytes([b]) for b in sub_text.encode('utf-8')]while True:# 统计相邻token频率stats = {}self._pair_stats(tokens, stats)# 选择合并后id最小的pair合并(也就是优先合并短的)new_token = Nonefor merge_token in stats:if merge_token in self.b2i and (new_token is None or self.b2i[merge_token] < self.b2i[new_token]):new_token = merge_token# 没有可以合并的pair,退出if new_token is None:break# 合并pairtokens = self._merge_pair(tokens, new_token)enc_ids.extend([self.b2i[tok] for tok in tokens])enc_tokens.extend(tokens)return enc_ids, enc_tokens

解码

# 解码
s = tokenizer.decode(ids)
print('decode:', s)
'''
decode: 
<|im_start|>system
you are a helper assistant
<|im_end|>
<|im_start|>user
今天的天气
<|im_end|><|im_start|>assistant
'''def decode(self, ids):bytes_list = []for id in ids:if id in self.sp_i2s:bytes_list.append(self.sp_i2s[id].encode('utf-8'))else:bytes_list.append(self.i2b[id])  # self.i2b 这里已经是字节了 id to byte return b''.join(bytes_list).decode('utf-8', errors='replace')

完整代码

from collections import OrderedDict
import pickle
import re
from tqdm import tqdm# Byte-Pair Encoding tokenizationclass BPETokenizer:def __init__(self):self.b2i = OrderedDict()  # bytes to idself.i2b = OrderedDict()  # id to bytes (b2i的反向映射)self.next_id = 0# special tokenself.sp_s2i = {}  # str to idself.sp_i2s = {}  # id to str# 相邻token统计def _pair_stats(self, tokens, stats):for i in range(len(tokens)-1):new_token = tokens[i]+tokens[i+1]if new_token not in stats:stats[new_token] = 0stats[new_token] += 1# 合并相邻tokendef _merge_pair(self, tokens, new_token):merged_tokens = []i = 0while i < len(tokens):if i+1 < len(tokens) and tokens[i]+tokens[i+1] == new_token:merged_tokens.append(tokens[i]+tokens[i+1])i += 2else:merged_tokens.append(tokens[i])i += 1return merged_tokensdef train(self, text_list, vocab_size):# 单字节是最基础的token,初始化词表for i in range(256):self.b2i[bytes([i])] = iself.next_id = 256# 语料转bytetokens_list = []for text in text_list:tokens = [bytes([b]) for b in text.encode('utf-8')]tokens_list.append(tokens)# 进度条progress = tqdm(total=vocab_size, initial=256)while True:# 词表足够大了,退出训练if self.next_id >= vocab_size:break# 统计相邻token频率stats = {}for tokens in tokens_list:self._pair_stats(tokens, stats)# 没有更多相邻token, 无法生成更多token,退出训练if not stats:break# 合并最高频的相邻token,作为新的token加入词表new_token = max(stats, key=stats.get)new_tokens_list = []for tokens in tokens_list:# self._merge_pair(tokens, new_token) -> listnew_tokens_list.append(self._merge_pair(tokens, new_token))tokens_list = new_tokens_list# new token加入词表self.b2i[new_token] = self.next_idself.next_id += 1# 刷新进度条progress.update(1)self.i2b = {v: k for k, v in self.b2i.items()}# 词表大小def vocab_size(self):return self.next_id# 词表def vocab(self):v = {}v.update(self.i2b)v.update({id: token.encode('utf-8')for id, token in self.sp_i2s.items()})return v# 特殊tokendef add_special_tokens(self, special_tokens):for token in special_tokens:if token not in self.sp_s2i:self.sp_s2i[token] = self.next_idself.sp_i2s[self.next_id] = tokenself.next_id += 1def encode(self, text):# 特殊token分离pattern = '('+'|'.join([re.escape(tok) for tok in self.sp_s2i])+')'splits = re.split(pattern, text)  # [ '<|im_start|>', 'user', '<||>' ]# 编码结果enc_ids = []enc_tokens = []for sub_text in splits:if sub_text in self.sp_s2i:  # 特殊token,直接对应idenc_ids.append(self.sp_s2i[sub_text])enc_tokens.append(sub_text.encode('utf-8'))else:tokens = [bytes([b]) for b in sub_text.encode('utf-8')]while True:# 统计相邻token频率stats = {}self._pair_stats(tokens, stats)# 选择合并后id最小的pair合并(也就是优先合并短的)new_token = Nonefor merge_token in stats:if merge_token in self.b2i and (new_token is None or self.b2i[merge_token] < self.b2i[new_token]):new_token = merge_token# 没有可以合并的pair,退出if new_token is None:break# 合并pairtokens = self._merge_pair(tokens, new_token)enc_ids.extend([self.b2i[tok] for tok in tokens])enc_tokens.extend(tokens)return enc_ids, enc_tokensdef decode(self, ids):bytes_list = []for id in ids:if id in self.sp_i2s:bytes_list.append(self.sp_i2s[id].encode('utf-8'))else:bytes_list.append(self.i2b[id])  # self.i2b 这里已经是字节了 id to bytereturn b''.join(bytes_list).decode('utf-8', errors='replace')def save(self, file):with open(file, 'wb') as fp:fp.write(pickle.dumps((self.b2i, self.sp_s2i, self.next_id)))def load(self, file):with open(file, 'rb') as fp:self.b2i, self.sp_s2i, self.next_id = pickle.loads(fp.read())self.i2b = {v: k for k, v in self.b2i.items()}self.sp_i2s = {v: k for k, v in self.sp_s2i.items()}if __name__ == '__main__':# 加载语料cn = open('dataset/train-cn.txt', 'r').read()en = open('dataset/train-en.txt', 'r').read()# 训练tokenizer = BPETokenizer()tokenizer.train(text_list=[cn, en], vocab_size=300)# 特殊tokentokenizer.add_special_tokens((['<|im_start|>', '<|im_end|>', '<|endoftext|>', '<|padding|>']))# 保存tokenizer.save('tokenizer.bin')# 还原tokenizer = BPETokenizer()tokenizer.load('tokenizer.bin')print('vocab size:', tokenizer.vocab_size())# 编码ids, tokens = tokenizer.encode('<|im_start|>system\nyou are a helper assistant\n<|im_end|>\n<|im_start|>user\n今天的天气\n<|im_end|><|im_start|>assistant\n')print('encode:', ids, tokens)# 解码s = tokenizer.decode(ids)print('decode:', s)# 打印词典print('vocab:', tokenizer.vocab())

这篇关于从零实现GPT【1】——BPE的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1087748

相关文章

MySQL容灾备份的实现方案

《MySQL容灾备份的实现方案》进行MySQL的容灾备份是确保数据安全和业务连续性的关键步骤,容灾备份可以分为本地备份和远程备份,主要包括逻辑备份和物理备份两种方式,下面就来具体介绍一下... 目录一、逻辑备份1. 使用mysqldump进行逻辑备份1.1 全库备份1.2 单库备份1.3 单表备份2. 恢复

Java对接MQTT协议的完整实现示例代码

《Java对接MQTT协议的完整实现示例代码》MQTT是一个基于客户端-服务器的消息发布/订阅传输协议,MQTT协议是轻量、简单、开放和易于实现的,这些特点使它适用范围非常广泛,:本文主要介绍Ja... 目录前言前置依赖1. MQTT配置类代码解析1.1 MQTT客户端工厂1.2 MQTT消息订阅适配器1.

MySQL中处理数据的并发一致性的实现示例

《MySQL中处理数据的并发一致性的实现示例》在MySQL中处理数据的并发一致性是确保多个用户或应用程序同时访问和修改数据库时,不会导致数据冲突、数据丢失或数据不一致,MySQL通过事务和锁机制来管理... 目录一、事务(Transactions)1. 事务控制语句二、锁(Locks)1. 锁类型2. 锁粒

MyBatis流式查询两种实现方式

《MyBatis流式查询两种实现方式》本文详解MyBatis流式查询,通过ResultHandler和Cursor实现边读边处理,避免内存溢出,ResultHandler逐条回调,Cursor支持迭代... 目录MyBATis 流式查询详解:ResultHandler 与 Cursor1. 什么是流式查询?

Springboot项目登录校验功能实现

《Springboot项目登录校验功能实现》本文介绍了Web登录校验的重要性,对比了Cookie、Session和JWT三种会话技术,分析其优缺点,并讲解了过滤器与拦截器的统一拦截方案,推荐使用JWT... 目录引言一、登录校验的基本概念二、HTTP协议的无状态性三、会话跟android踪技术1. Cook

C++归并排序代码实现示例代码

《C++归并排序代码实现示例代码》归并排序将待排序数组分成两个子数组,分别对这两个子数组进行排序,然后将排序好的子数组合并,得到排序后的数组,:本文主要介绍C++归并排序代码实现的相关资料,需要的... 目录1 算法核心思想2 代码实现3 算法时间复杂度1 算法核心思想归并排序是一种高效的排序方式,需要用

mybatis用拦截器实现字段加解密全过程

《mybatis用拦截器实现字段加解密全过程》本文通过自定义注解和MyBatis拦截器实现敏感信息加密,处理Parameter和ResultSet,确保数据库存储安全且查询结果解密可用... 目录前言拦截器的使用总结前言根据公司业务需要,灵活对客户敏感信息进行加解密,这里采用myBATis拦截器进行简单实

java实现多数据源切换方式

《java实现多数据源切换方式》本文介绍实现多数据源切换的四步方法:导入依赖、配置文件、启动类注解、使用@DS标记mapper和服务层,通过注解实现数据源动态切换,适用于实际开发中的多数据源场景... 目录一、导入依赖二、配置文件三、在启动类上配置四、在需要切换数据源的类上、方法上使用@DS注解结论一、导入

SQLServer中生成雪花ID(Snowflake ID)的实现方法

《SQLServer中生成雪花ID(SnowflakeID)的实现方法》:本文主要介绍在SQLServer中生成雪花ID(SnowflakeID)的实现方法,文中通过示例代码介绍的非常详细,... 目录前言认识雪花ID雪花ID的核心特点雪花ID的结构(64位)雪花ID的优势雪花ID的局限性雪花ID的应用场景

Linux升级或者切换python版本实现方式

《Linux升级或者切换python版本实现方式》本文介绍在Ubuntu/Debian系统升级Python至3.11或更高版本的方法,通过查看版本列表并选择新版本进行全局修改,需注意自动与手动模式的选... 目录升级系统python版本 (适用于全局修改)对于Ubuntu/Debian系统安装后,验证Pyt