AI說書 - 從0開始 - 165 | 訓練自己的 Tokenizer

我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。

整理目前手上有的素材：

• 準備資料集：AI說書 - 從0開始 - 162 | 準備Pretrain模型需要的資料
• 準備必備函數庫：AI說書 - 從0開始 - 163 | 準備Pretrain模型需要的函數庫
• Tokenizer 前言：AI說書 - 從0開始 - 164 | Tokenizer 前言

今天要來訓練自己專屬的 Tokenizer，以下先圖示說明目的，假設我有一個句子「... the tokenizer ...」，那麼經過 Tokenizer 後會變成：

當中有個奇怪符號「Ġ」表示空白，接著把上述字元變成它專屬的代碼，如下所示：

講完理念之後，我們來實作：

from pathlib import Path
from tokenizers import ByteLevelBPETokenizer
paths = [str(x) for x in Path(".").glob("**/*.txt")]

file_contents = []
for path in paths:
	try:
		with open(path, 'r', encoding  ='utf-8', errors = 'replace') as file:
			file_contents.append(file.read())
	except Exception as e:
		print(f"Error reading {path}: {e}")
		
text = "\n".join(file_contents)

tokenizer = ByteLevelBPETokenizer()
tokenizer.train_from_iterator([text], 
                              vocab_size = 52000, 
                              min_frequency = 2, 
                              special_tokens=["<s>", "<pad>", "</s>", "<unk>", "<mask>"])