【深度学习】【NLP】如何得到一个分词器，如何训练自定义分词器：从基础到实践

在自然语言处理（NLP）领域，分词是一个重要的预处理步骤，它将文本切分成有意义的子词或标记。合适的分词工具可以对NLP任务产生深远的影响，而如何训练一个自定义分词器也是一个关键的课题。本篇博客将引导您了解不同分词算法，深入探讨分词工具的原理，然后演示如何使用Python代码训练自己的分词器。

什么是分词？

分词是将文本划分为更小的单元，如单词、子词或标记的过程。在中文分词中，这些单元通常是词汇，而在英文中，可以是单词或子词。分词是NLP的基础，它对文本的理解和处理具有关键作用。

分词算法

在NLP中，有多种分词算法可供选择。以下是一些常见的分词算法，这些分词算法各有其优势，取决于具体的应用场景和需求。以下是它们的一些特点：

1. BPE（Byte-Pair Encoding）：

   • 优势：BPE是一种无监督算法，能够适用于多种语言，包括中文和英文。它基于字符级别的处理，对于分词的划分灵活性较高，适用于不同领域的文本。
   • 中英文混合分词：BPE可以用于中英文混合分词，但需要适当调整参数和词表来满足中文语言的需求。

2. WordPiece：

   • 优势：WordPiece是一种基于BPE的算法，它在选择字符对合并时考虑标记的可能性。这使得它在处理NLP任务时表现更好，如机器翻译和文本生成。对于英文和中文等多语言情境，WordPiece通常具有很好的性能。
   • 中英文混合分词：WordPiece同样适合中英文混合分词，而且在考虑标记的可能性时，能更好地处理多语言文本。

3. Unigram：

   • 优势：Unigram采用概率模型来选择标记，这使得它能够生成带概率的多个子词分段。这对于语言生成任务或需要模糊匹配的场景可能有益。
   • 中英文混合分词：Unigram同样可以用于中英文混合分词，但需要注意参数设置和模型训练。

4. SentencePiece：

   • 优势：SentencePiece结合了BPE和Unigram的优点，可以从原始文本开始训练分词模型，适用于多种语言。它非常灵活，适用于多样化的文本处理需求，包括中英文。
   • 中英文混合分词：SentencePiece同样适合中英文混合分词，并且容易进行多语言训练。

关于哪个更适合中英文一起的分词，选择取决于具体情况。WordPiece和SentencePiece通常被认为对于多语言处理更强大，因为它们考虑到了标记的可能性，这对于处理多语言文本的一致性和性能提升有好处。 Unigram和BPE也可以用于中英文混合分词，但可能需要更多的调整和参数设置来满足特定需求。最终的选择应基于实际需求和性能测试。

使用Python训练分词器

以下是使用Python训练自定义分词器的步骤：

步骤1：选择分词算法

首先，选择适合您需求的分词算法。如果需要针对特定语料库或任务训练分词器，可以考虑使用SentencePiece来灵活满足需求。

步骤2：准备训练语料

收集和准备训练语料，这是训练自定义分词器的基础。语料库的大小和质量将影响分词器的性能。

步骤3：配置分词器参数

针对所选的分词算法，配置参数，如词表大小、字符覆盖率等。这些参数的选择应根据语料和任务的特点来确定。

步骤4：训练分词器

使用选择的分词算法和参数，训练自定义分词器。这通常涉及编写Python代码来调用分词库的API，并传递训练语料。

步骤5：测试和使用分词器

训练完成后，测试分词器的性能，确保它能够有效切分文本。然后，您可以将训练好的分词器用于NLP任务，如文本分类、情感分析等。

代码示例：使用SentencePiece训练分词器

下面是一个使用SentencePiece库来训练分词器的Python代码示例：

import sentencepiece as spm

# 训练SentencePiece模型
spm.SentencePieceTrainer.train(
    input='corpus.txt',  # 输入文件
    model_prefix='custom_tokenizer',  # 模型前缀
    vocab_size=5000,  # 词汇表大小
    model_type='unigram',  # 模型类型
    # 其他参数...
)

# 加载训练好的模型
sp = spm.SentencePieceProcessor()
sp.load('custom_tokenizer.model')

# 使用分词器
text = "这是一个示例句子"
tokens = sp.encode_as_pieces(text)
print(tokens)

在训练一个分词器时，下面是一些重要的参数，其中一些参数对模型的性能和行为产生显著影响：

1. model_type：模型类型，可以选择BPE、char、word、unigram。这决定了分词器使用哪种分词算法。不同类型适用于不同的任务和文本类型。

2. vocab_size：词汇表大小，这个参数决定了词表中包含多少标记。太小的词汇表可能导致词汇覆盖不足，而太大的词汇表可能会增加训练时间。

3. character_coverage：指定模型中覆盖的字符数，通常设置为一个小数，如0.9995。这可以帮助控制词汇表的大小。

4. max_sentence_length：最大句子长度，决定了句子在分词时的最大长度。过长的句子可能需要截断或拆分。

5. num_threads：进程个数，控制训练时的并行度，影响训练速度。

6. unk_id、bos_id、eos_id、pad_id：这些参数定义了特殊标记的ID。例如，unk_id表示未知标记的ID，bos_id表示句子的开头，eos_id表示句子的结尾，pad_id表示填充标记。

7. split_by_unicode_script、split_by_number、split_by_whitespace、split_digits：这些参数用于控制在哪些情况下进行拆分，例如，是否在不同的字符脚本之间、数字之间、空格之间、数字和字母之间拆分。

8. use_all_vocab：是否使用所有词汇。设置为0时，只使用出现频率高的标记。

这些参数是分词器训练中的关键配置，它们直接影响模型的性能和行为。根据具体任务和语料库，你需要谨慎选择和调整这些参数以获得最佳的分词效果。不同的参数设置可能适用于不同的应用场景，因此需要根据需求进行实验和调整。

这段代码演示了如何使用SentencePiece来训练一个自定义分词器，加载模型，并将其应用于文本。

HuggingFace的Tokenizers也实现了分词算法，具体使用可以参考如下：

from tokenizers import (ByteLevelBPETokenizer,
                            BPETokenizer,
                            SentencePieceBPETokenizer,
                            BertWordPieceTokenizer)
                            
tokenizer = SentencePieceBPETokenizer()
tokenizer.train(["../blog_test.txt"], vocab_size=500, min_frequency=2)

output = tokenizer.encode("This is a test")
print(output.tokens)

分词算法的训练要素，如何训练好

在训练大模型分词器时，有几个关键因素需要考虑，这些因素可以总结如下：

1. 词表大小设置：词表大小应该与语料库的大小匹配。具体的设置可以参考一些大型模型，如ChatGPT和Chinese-LLaMA模型，它们通常采用词表大小在5万到13万之间。合理的词表大小直接影响了模型参数数量和训练速度。较大的词表可能需要更多的资源来训练和部署，但能够更好地覆盖不同领域和语言的内容。

2. 语料库的充实性：语料库的质量和数量对分词器的性能至关重要。使用丰富和多样化的语料库可以更好地适应各种领域和专业术语，以产生更符合通用语义的切分结果。特别是在垂直领域或特殊领域的应用中，充足的领域特定语料库对于保持高质量的分词结果非常重要。

3. 词汇量大小的平衡：选择词汇表的大小需要在模型质量和效率之间取得平衡。较大的词汇表可以提高模型的语言表示能力，但也会增加模型的参数量。在拥有足够计算资源和充足语料库的情况下，可以考虑使用较大的词汇表以提高模型的性能。

合并分词表

由transformers库的教程https://transformers.run/intro/2021-12-11-transformers-note-2/也可以得知：

from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained("bert-base-cased")
tokenizer.save_pretrained("./models/bert-base-cased/")

调用 Tokenizer.save_pretrained() 函数会在保存路径下创建三个文件：

special_tokens_map.json：映射文件，里面包含 unknown token 等特殊字符的映射关系；
tokenizer_config.json：分词器配置文件，存储构建分词器需要的参数；
vocab.txt：词表，一行一个 token，行号就是对应的 token ID（从 0 开始）。

博客https://blog.51cto.com/u_16116809/6321388提到一个tips：LLaMA模型预训练中文语料特别少，可以把中文学到的vocab.txt分词表加入到原有的里面，我理解，special_tokens_map.json是通用的，tokenizer_config.json里面写的一些分词算法配置如果中英文一样也就无所谓，所以就能合并vocab.txt分词表。

baichuan-7B 的分词

看得出来，针对不同领域，分词算法也是一个研究点，baichuan-7B看起来还是挺厉害的：
https://github.com/baichuan-inc/baichuan-7B#%E5%88%86%E8%AF%8D

通义千问

https://modelscope.cn/organization/qwen

https://huggingface.co/Qwen/Qwen-7B-Chat

智谱

https://github.com/THUDM/ChatGLM2-6B

参考：

https://blog.51cto.com/u_16116809/6321388

https://github.com/yanqiangmiffy/how-to-train-tokenizer

https://github.com/baichuan-inc/baichuan-7B#%E5%88%86%E8%AF%8D