AI說書 - 從0開始 - 299 | Subword Tokenizer 引言

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。

Transformer 模型是大規模的大型語言模型 (LLMs)，模型的規模和它們執行的任務數量需要高效的 Tokenizer，Subword Tokenizer 是 LLMs 的最佳選擇，原因包括以下幾點：

• 詞彙外 (Out-of-Vocabulary, OOV) 詞語：Subword Tokenizer 可以處理在訓練階段未出現的詞語 OOV，Tokenizer 會將 OOV 詞語拆解成 Transformer 模型可以處理的小單位
• 詞彙優化：Subword Tokenizer 將序列分解為比句子和單詞 Tokenizer 更小的單位，從而優化詞彙表的大小
• 形態靈活性：Subword Tokenizer 將詞語分解為更小的單位，這些單位可以與其他小單位進行泛化，從而加深模型理解語言的能力
• 抗噪能力：即使單詞拼寫錯誤或包含錯別字，Subword Tokenizer 仍然可以捕捉並處理其含義
• 多語言處理：Word-Level Tokenizer 與特定語言相關，而 Subword Tokenizer 則不受語言限制

Byte Pair Encoding (BPE) 和 WordPiece 是 Transformer 模型中常用的 Subword Tokenizer，理解這兩種 Subword Tokenizer 的原理將幫助你理解任何 Subword Tokenizer 的運作方式，雖然我們主要關注 BPE 和 WordPiece，但它們並不是唯一的 Subword Tokenizer，為了之後實作，我們先安裝以下工具：

!pip install transformers -qq
!pip install sentencepiece -qq