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。
Punkt Tokenization
其經過無監督預訓練後將序列分割成句子，它不需要標籤，展示如下：
tokenizer = PunktSentenceTokenizer()
text = "A tokenizer can be trained. Many tokenizers aren't trained."
sentences = tokenizer.tokenize(text)
print("Punkt Sentence Tokenization:")
print(sentences)
結果為：
Word Punctuation Tokenization
其根據空格和標點符號將序列拆分為單字，展示如下：
tokenizer = WordPunctTokenizer()
text = "They won a prize! They were overjoyed."
tokens = tokenizer.tokenize(text)
print("Word Punctuation Tokenization:")
print(tokens)
結果為：
Multi-Word Tokenization
其將序列拆分為單詞，但保留多單字表達式，例如 “cannot”，展示如下：
tokenizer = MWETokenizer()
tokenizer.add_mwe(("can", "not"))
text = "I cannot go to the movies today"
tokens = tokenizer.tokenize(text.split())
print("Multi-Word Expression Tokenization:")
print(tokens)
結果為：
Sentence 和 Word Tokenizer 不應被輕視，僅僅因為最近的大規模語言模型更偏好 Subword Tokenizer，例如，在某些情況下，Sentence 和 Word Tokenizer 可以作為預處理流程的一部分，用於創建標註數據集以訓練 Transformer 模型。
