AI說書 - 從0開始 - 308 | 第十章額外閱讀

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。

我們看到，原始數據集可能足夠用於標準語言任務來訓練 Transformer 模型，然而，我們發現即使預訓練的 Tokenizer 已經處理過十億個單詞，它只會為遇到的詞彙創建一小部分字典，就像我們一樣，Tokenizer 捕捉到它所學語言的精髓，並只記住那些最重要且經常使用的詞彙，這種方法對於標準任務運行良好，但在處理特定任務和詞彙時會產生問題。

我們探討了 Sentence 和 Word Tokenizer，以了解文本序列如何被分解成 Sentence 和Word，我們回顧了幾種 Sentence 和 Word Tokenization 方法，Sentence 和 Word Tokenizer 對許多自然語言處理任務都有用，某些情況下還可用於預處理訓練 Transformer 模型的數據集，然而，在大規模語料庫上，它們會生成大量詞彙表，從而減慢 Transformer 模型的訓練過程，因此，我們探索了 Subword Tokenizer，例如Unigram 語言模型分詞法、SentencePiece、Byte Pair Encoding 和 WordPiece，我們重點關注了 WordPiece 分詞器，深入研究了Token ID 的映射。

Tokenization 的技術需要在保留訊息和優化計算性能之間取得平衡，必須選擇適合你的任務和模型的方法。

從 AI說書 - 從0開始 - 281 | 第十章引言 到 AI說書 - 從0開始 - 307 | Token ID 映射品質管控，我們完成書籍：Transformers for Natural Language Processing and Computer Vision, Denis Rothman, 2024 第十章說明。

以下附上參考項目：

• Colin Raffel et al., 2019, Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer: https://arxiv.org/pdf/1910.10683.pdf
• Gensim: https://radimrehurek.com/gensim/intro.html

以下附上額外閱讀項目：

• Hiraoka et al., 2023, Tokenization Tractability for Human and Machine Learning Model: An Annotation Study: https://arxiv.org/abs/2304.10813