LLaMA模型之中文词表的蜕变

在目前的开源模型中，LLaMA模型无疑是一颗闪亮的⭐️，但是相对于ChatGLM、BaiChuan等国产大模型，其对于中文的支持能力不是很理想。原版LLaMA模型的词表大小是32K，中文所占token是几百个左右，这将会导致中文的编解码效率低。

在将LLaMA系列模型用于中文语言时需要进行中文词表扩充，基于sentencepiece工具训练，产生新的词表，然后与原始词表合并得到一个新词表。

本文将LLaMA模型中文词表扩充分为以下步骤：训练数据准备、词表训练、词表合并、词表测试。

训练数据准备

这里使用MedicalGPT中的天龙八部小说作为训练文本。

数据是txt文件，一行文本作为一条数据。

词表训练代码

import sentencepiece as spm

spm.SentencePieceTrainer.train(
    input='tianlongbabu.txt',
    model_prefix='bpe_llama',
    shuffle_input_sentence=False,
    train_extremely_large_corpus=True,
    max_sentence_length=2048,
    pad_id=3,
    model_type='BPE',
    vocab_size=5000,
    split_digits=True,
    split_by_unicode_script=True,
    byte_fallback=True,
    allow_whitespace_only_pieces=True,
    remove_extra_whitespaces=False,
    normalization_rule_name="nfkc",
)

print('训练完成')

sentencepiece训练参数：
Usage: …/build/src/spm_train [options] files

• –input（逗号分隔的输入句子列表） 类型：字符串 默认值：“”
• –input_format（输入格式。支持的格式为text或tsv。） 类型：字符串 默认值：“”
• –model_prefix（输出模型前缀） 类型：字符串 默认值：“”
• –model_type（模型算法：unigram、bpe、word或char） 类型：字符串 默认值：“unigram”
• –vocab_size（词汇表大小） 类型：int32 默认值：8000
• –accept_language（此模型可以接受的语言的逗号分隔列表） 类型：字符串 默认值：“”
• –self_test_sample_size（自测样本的大小） 类型：int32 默认值：0
• –character_coverage（用于确定最小符号的字符覆盖率） 类型：double 默认值：0.9995
• –input_sentence_size（训练器加载的句子的最大大小） 类型：uint64_t 默认值：0
• –shuffle_input_sentence（提前随机抽样输入句子。当–input_sentence_size > 0时有效） 类型：bool 默认值：true
• –seed_sentencepiece_size（seed sentencepieces的大小） 类型：int32 默认值：1000000
• –shrinking_factor（与损失相关的保留顶部shrinking_factor片段） 类型：double 默认值：0.75
• –num_threads（训练时的线程数） 类型：int32 默认值：16
• –num_sub_iterations（EM子迭代的数量） 类型：int32 默认值：2
• –max_sentencepiece_length（sentence piece的最大长度） 类型：int32 默认值：16
• –max_sentence_length（句子的最大长度（字节）） 类型：int32 默认值：4192
• –split_by_unicode_script（使用Unicode脚本拆分句子片段） 类型：bool 默认值：true
• –split_by_number（通过数字（0-9）拆分标记） 类型：bool 默认值：true
• –split_by_whitespace（使用空格拆分句子片段） 类型：bool 默认值：true
• –split_digits（将所有数字（0-9）拆分为单独的片段） 类型：bool 默认值：false
• –treat_whitespace_as_suffix（将空格标记视为后缀而不是前缀。） 类型：bool 默认值：false
• –allow_whitespace_only_pieces（允许只包含（连续的）空格标记的片段） 类型：bool 默认值：false
• –control_symbols（控制符号的逗号分隔列表） 类型：字符串 默认值：“”
• –control_symbols_file（从文件加载控制符号。） 类型：字符串 默认值：“”
• –user_defined_symbols（用户定义符号的逗号分隔列表） 类型：字符串 默认值：“”
• –user_defined_symbols_file（从文件加载user_defined_symbols。） 类型：字符串 默认值：“”
• –required_chars（UTF8字符，无论character_coverage如何，始终在字符集中使用） 类型：字符串 默认值：“”
• –required_chars_file（从文件加载required_chars。） 类型：字符串 默认值：“”
• –byte_fallback（将未知片段分解为UTF-8字节片段） 类型：bool 默认值：false
• –vocabulary_output_piece_score（在vocab文件中定义分数） 类型：bool 默认值：true
• –normalization_rule_name（规范化规则名称。从nfkc或identity中选择） 类型：字符串 默认值：“nmt_nfkc”
• –normalization_rule_tsv（规范化规则TSV文件。） 类型：字符串 默认值：“”
• –denormalization_rule_tsv（反规范化规则TSV文件。） 类型：字符串 默认值：“”
• –add_dummy_prefix（在文本开头添加虚拟空格） 类型：bool 默认值：true
• –remove_extra_whitespaces（删除前导、尾随和重复的内部空格） 类型：bool 默认值：true
• –hard_vocab_limit（如果设置为false，则–vocab_size被视为软限制。） 类型：bool 默认值：true
• –use_all_vocab（如果设置为true，则使用所有标记作为vocab。对于word/char模型有效。） 类型：bool 默认值：false
• –unk_id（覆盖UNK（）id。） 类型：int32 默认值：0
• –bos_id（覆盖BOS（）id。将-1设置为禁用BOS。） 类型：int32 默认值：1
• –eos_id（覆盖EOS（）id。将-1设置为禁用EOS。） 类型：int32 默认值：2
• –pad_id（覆盖PAD（）id。将-1设置为禁用PAD。） 类型：int32 默认值：-1
• –unk_piece（覆盖UNK（）片段。） 类型：字符串 默认值：“”
• –bos_piece（覆盖BOS（）片段。） 类型：字符串 默认值：“”
• –eos_piece（覆盖EOS（）片段。） 类型：字符串 默认值：“”
• –pad_piece（覆盖PAD（）片段。） 类型：字符串 默认值：“”
• –unk_surface（的虚拟表面字符串。在解码中，被解码为unk_surface。） 类型：字符串 默认值：“ ⁇ ”
• –train_extremely_large_corpus（增加unigram标记化的位深度。） 类型：bool 默认值：false
• –random_seed（随机生成器的种子值。） 类型：uint32 默认值：4294967295
• –enable_differential_privacy（是否在训练时添加差分隐私。目前仅UNIGRAM模型支持。） 类型：bool 默认值：false
• –differential_privacy_noise_level（DP时添加的噪声量） 类型：float 默认值：0
• –differential_privacy_clipping_threshold（DP时剪切计数的阈值） 类型：uint64_t 默认值：0
• –help（显示帮助） 类型：bool 默认值：false
• –version（显示版本） 类型：bool 默认值：false
• –minloglevel（低于此级别的消息实际上不会被记录在任何地方） 类型：int 默认值：0

2. 测试

import sentencepiece as spm

sp = spm.SentencePieceProcessor()
sp.load("bpe_llama.model")

print(sp.encode_as_pieces("这老者姓左，名叫子穆，是“无量剑”东宗的掌门。那道姑姓辛，道号双清，是“无量剑”西宗掌门。"))
print(sp.encode_as_ids("这老者姓左，名叫子穆，是“无量剑”东宗的掌门。那道姑姓辛，道号双清，是“无量剑”西宗掌门。"))

词表合并代码

import os
os.environ["PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION"]="python"

from transformers import LlamaTokenizer
from sentencepiece import sentencepiece_model_pb2 as sp_pb2_model
import sentencepiece as spm

llama_tokenizer_dir = 'llama-2-7b-bin'
chinese_sp_model_file = 'bpe_llama.model'

# 分词器加载
llama_tokenizer = LlamaTokenizer.from_pretrained(llama_tokenizer_dir)
chinese_sp_model = spm.SentencePieceProcessor()
chinese_sp_model.Load(chinese_sp_model_file)

# 解析
llama_spm = sp_pb2_model.ModelProto()
llama_spm.ParseFromString(llama_tokenizer.sp_model.serialized_model_proto())
chinese_spm = sp_pb2_model.ModelProto()
chinese_spm.ParseFromString(chinese_sp_model.serialized_model_proto())

# 词表长度
print(len(llama_tokenizer),len(chinese_sp_model))

# 添加新token到llama词表
llama_spm_tokens_set=set(p.piece for p in llama_spm.pieces)
print(len(llama_spm_tokens_set))
print(f"Before:{len(llama_spm_tokens_set)}")
for p in chinese_spm.pieces:
    piece = p.piece
    if piece not in llama_spm_tokens_set:
        new_p = sp_pb2_model.ModelProto().SentencePiece()
        new_p.piece = piece
        new_p.score = 0
        llama_spm.pieces.append(new_p)
print(f"New model pieces: {len(llama_spm.pieces)}")

output_sp_dir = '../merged_tokenizer_sp'
output_hf_dir = '../merged_tokenizer_hf'

vocab_content = ''
for p in llama_spm.pieces:
    vocab_content += f"{p.piece} {p.score}\n"
# 保存词表
with open(output_sp_dir+'/chinese_llama.vocab', "w", encoding="utf-8") as f:
    f.write(vocab_content)
# 保存spm模型
with open(output_sp_dir+'/chinese_llama.model', 'wb') as f:
    f.write(llama_spm.SerializeToString())

# 保存llama新tokenizer
tokenizer = LlamaTokenizer(vocab_file=output_sp_dir+'/chinese_llama.model')
tokenizer.save_pretrained(output_hf_dir)
print(f"Chinese-LLaMA tokenizer has been saved to {output_hf_dir}")

词表文件：

词表测试代码

from transformers import LlamaTokenizer

llama_tokenizer = LlamaTokenizer.from_pretrained(llama_tokenizer_dir)
chinese_llama_tokenizer = LlamaTokenizer.from_pretrained(output_hf_dir)
print(tokenizer.all_special_tokens)
print(tokenizer.all_special_ids)
print(tokenizer.special_tokens_map)
text='''白日依山尽，黄河入海流。欲穷千里目，更上一层楼。'''
text='''大模型是指具有非常大的参数数量的人工神经网络模型。 在深度学习领域，大模型通常是指具有数亿到数万亿参数的模型。'''
print("Test text:\n",text)
print(f"Tokenized by LLaMA tokenizer:{len(llama_tokenizer.tokenize(text))},{llama_tokenizer.tokenize(text)}")
print(f"Tokenized by GoGPT-LLaMA tokenizer:{len(chinese_llama_tokenizer.tokenize(text))},{chinese_llama_tokenizer.tokenize(text)}")

从结果可以看到，中文分词后长度显著减小，英文分词没有产生影响。

注：在对中文词表扩展后的LLaMA模型做增量预训练时，需要调整嵌入层的大小(model.resize_token_embeddings(len(tokenizer)))，因为词表大小发生变化。

参考

[1] https://github.com/shibing624/MedicalGPT/tree/main

[2] https://github.com/yanqiangmiffy/how-to-train-tokenizer/tree/main