[玩转AIGC]sentencepiece训练一个Tokenizer(标记器)

一、前言

前面我们介绍了一种字符编码方式【如何训练一个中英翻译模型】LSTM机器翻译seq2seq字符编码（一）
这种方式是对一个一个字符编码，丢失了很多信息比如“机器学习训练”，会被编码为“机”，“器”，“学”，“习”，“训”，“练”，单独一个字符，丢失了关联性。对于英文句子，比如：Let’s do tokenization！，基于字符分割如下图：
当然，我们也可以基于其它类型进行分割，比如说基于空格，或者基于punctuation

但这种分割方式分割不了beginning，应该beginning是由begin跟后缀ning组成的，再比如annoyingly实际可分割为annoying加上后缀ly。

再比如想将“机器学习训练”分割为“机器/学习/训练”，那么该怎么办呢，这里可以用谷歌开源的工具sentencepiece（当然了，github仓库说明了这不是 Google 官方产品），接下来我们来看看怎么安装使用。

建议可以先把：如何训练一个中英翻译模型这个栏目的文章看一看，对于理解LLM是会有所帮助的，因为在transformer还未诞生之前可谓是LSTM（RNN）的天下，后人思想受前人思想的启发，提前了解收货会更大。

1）仓库代码：

github：sentencepiece

2）SentencePiece介绍：
SentencePiece 是一种无监督文本分词器和去分词器，主要用于基于神经网络的文本生成系统，其中词汇量大小在神经模型训练之前预先确定。 SentencePiece 通过扩展原始句子的直接训练来实现子词单元（例如，字节对编码 (BPE) (byte-pair-encoding (BPE) [ Sennrich et al.])）和一元语言模型(unigram language model Kudo.)）。 SentencePiece 允许我们制作一个纯粹的端到端系统，不依赖于特定于语言的预处理/后处理。

二、安装

ubuntu安装依赖

sudo apt-get install cmake build-essential pkg-config libgoogle-perftools-dev

安装sentencepiece
1）命令安装（超级推荐）

# 用于训练的
sudo apt install sentencepiece -y
# 用于python推理调用的
pip3 install sentencepiece

2）除此之外，还可以选择编译安装：

% git clone https://github.com/google/sentencepiece.git 
% cd sentencepiece
% mkdir build
% cd build
% cmake ..
% make -j $(nproc)
% sudo make install
% sudo ldconfig -v

3）或者vcpkg编译安装

git clone https://github.com/Microsoft/vcpkg.git
cd vcpkg
./bootstrap-vcpkg.sh
./vcpkg integrate install
./vcpkg install sentencepiece

安装好了之后就可开始尝试进行训练一个模型了。

三、自己训练一个tokenizer

用于训练的txt文件自己去找一个即可，我这边找的是斗破某陆小说。

这里要注意XXX.txt文本的编码格式，建议采用utf-8格式，对于windows下的ANSI，ubuntu下打开会乱码，且训练出来的模型是会有问题，所以先打开XXX.txt看看文本是不是乱码的。
乱码是真的乱，如下：
确保XXX.txt文件没问题了，那么就可以进行训练了
在命令窗口输入以下命令：

spm_train --input=dpcq.txt -model_prefix=./tokenizer

–input：输入的txt文件，这里的文件是dpcq.txt
-model_prefix：模型输出路径与名称，这里的名称是tokenizer
训练完成可以看到以下两个文件：

tokenizer.model：是训练出来的模型
tokenizer.vocab：为所分割的词汇，这个文件可以打开来看看：

四、模型运行

训练出来的模型，我们来跑跑看效果怎样：

from sentencepiece import SentencePieceProcessor
model_path = "tokenizer.model"
sp_model = SentencePieceProcessor(model_file=model_path)
mm = sp_model.EncodeAsPieces("虽说这些年大陆之上已是没有了他的身影，但那传说，却依然是口口相传，炎帝之名，响彻着斗气大陆的每一个角落。")
print(mm)

五、拓展

有了上面的基础了，这里我们来进行一个拓展，这个拓展是基于llama2模型的。
github链接：

llama2.c

先git下来

git clone https://github.com/karpathy/llama2.c.git

下载后要训练自己的模型，命令如下：

# 下载数据集
python tinystories.py download
# 数据集标记化处理
python tinystories.py pretokenize
# 训练
python train.py

我们这里主要是来看tokenize，python tinystories.py pretokenize这个命令是调用了tokenizer.py，我们来看相应的代码：

# Taken from llama code and lightly modified
# Copyright (c) Meta Platforms, Inc. and affiliates.
# This software may be used and distributed according to the terms of the Llama 2 Community License Agreement.

import os
from logging import getLogger
from typing import List

from sentencepiece import SentencePieceProcessor

TOKENIZER_MODEL = "tokenizer.model" # the llama sentencepiece tokenizer model
TOKENIZER_BIN = "tokenizer.bin" # binary version of the tokenizer for inference in C

class Tokenizer:
    def __init__(self):
        model_path = TOKENIZER_MODEL
        assert os.path.isfile(model_path), model_path
        self.sp_model = SentencePieceProcessor(model_file=model_path)
        #print(f"Loaded SentencePiece model from {model_path}")

        # BOS / EOS token IDs
        self.n_words: int = self.sp_model.vocab_size()
        self.bos_id: int = self.sp_model.bos_id()
        self.eos_id: int = self.sp_model.eos_id()
        self.pad_id: int = self.sp_model.pad_id()
        #print(f"#words: {self.n_words} - BOS ID: {self.bos_id} - EOS ID: {self.eos_id}")
        assert self.sp_model.vocab_size() == self.sp_model.get_piece_size()

    def encode(self, s: str, bos: bool, eos: bool) -> List[int]:
        assert type(s) is str
        t = self.sp_model.encode(s)
        if bos:
            t = [self.bos_id] + t
        if eos:
            t = t + [self.eos_id]
        return t

    def decode(self, t: List[int]) -> str:
        return self.sp_model.decode(t)

    def export(self):
        tokens = []
        for i in range(self.n_words):

            # decode the token and light postprocessing
            t = self.sp_model.id_to_piece(i)
            if i == self.bos_id:
                t = '\n\n'
            elif i == self.eos_id:
                t = '\n\n'
            elif len(t) == 6 and t.startswith('<0x') and t.endswith('>'):
                t = chr(int(t[3:5], 16)) # e.g. make '<0x01>' into '\x01'
            t = t.replace('▁', ' ') # sentencepiece uses this as the whitespace

            tokens.append(t)
        
        with open(TOKENIZER_BIN, 'wb') as f:
            for token in tokens:
                bytes = token.encode('utf-8')
                f.write((len(bytes)).to_bytes(4, 'little'))  # write length of bytes
                f.write(bytes)  # write token bytes

if __name__ == "__main__":
    t = Tokenizer()
    t.export()

可以看到代码主要是调用了模型TOKENIZER_MODEL = "tokenizer.model"来对训练集进行训练前的编码，这个模型是来源于llama的，我们按照上面的方法来调用看看分割效果：

from sentencepiece import SentencePieceProcessor
model_path = "tokenizer.model"
sp_model = SentencePieceProcessor(model_file=model_path)
mm = sp_model.EncodeAsPieces("The line of code you provided is using the Hugging Face tokenizers library to encode a piece of text. The encode method is being called with the bos=True parameter, which adds a special \"beginning of sequence\" (BOS) token to the beginning of the encoded sequence.")
print(mm)

可以看到分割时候会把’beginning’分割为’begin’, ‘ning’。当然了，必要的话也可跟着上面的步骤一样自己训练一个Tokenizer模型。
这一篇文章先到这里了，还是挺有意思，后面的文章我们将逐渐介绍怎么来训练自己的llama2

参考文献：
https://huggingface.co/learn/nlp-course/zh-CN/chapter2/4?fw=tf
https://blog.csdn.net/sparkexpert/article/details/94741817