BPE Training 的流程和实现

CAUTION

本部分对应的是 Section 2 的 BPE.

Tokenization 是如何工作的呢？假定我们的文本放在 corpus.txt 文件里（这里的文本带有 special tokens 如 <|endoftext|>）

通常，我们的文本文件很大，例如几个 GB，我们不可能把这些字符全都载入内存里（肯定爆炸），因此，第一步，我们需要对训练文本分块，以便发挥多线程的优势，让计算机并行处理多个任务。分块需要注意，每一块都必须是以 special token 结尾的，否则如果横跨了某个单词，那么这个单词被 tokenize 的结果很可能与 expected 的不同。

chunkify 实现

根据上面所说的，我们把文本进行分块。我们用 Binary IO 的方式打开文本，最后返回 List[int] 表示 chunk 的边界为 B[i-1] ~ B[i]

具体实现的话，我们用 file.tell() 的方式获取 bytes 数量后，直接先均分成 num 块（或者按内存大小计算块的大小，然后反过来计算块的数量）。然后，对每一块寻找下一个 special token 出现的位置，调整这一块的 boundary，这样，boundary 的每一个 int 都表示了 special token 的位置，也就满足了对 special token 出现位置的约束。最后排序去重就是最终的 boundary 了。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
def chunkify(file: BinaryIO, specials: List[bytes], num_chunks: int) -> List[int]:
    # get total bytes
    file.seek(0, os.SEEK_END)
    file_size = file.tell()
    file.seek(0)

    chunk_size = file_size // num_chunks
    boundaries = [i * chunk_size for i in range(num_chunks + 1)]
    boundaries[-1] = file_size

    mini_chunk = 4096

    for i in range(1, len(boundaries) - 1):
        init_pos = boundaries[i]
        file.seek(init_pos)

        # 这里就是不断读取 4096 个字节，然后找有没有 special token
        while True: 
            sub_chunk = file.read(mini_chunk)

            if sub_chunk == b"":
                boundaries[i] = file_size
                break

            special_pos = [
                sub_chunk.find(token)
                for token in specials
                if sub_chunk.find(token) != -1
            ]
            # 读进来的小 chunk 有 special token，那么直接截断
            if len(special_pos) != 0:
                special_pos = min(special_pos)
                boundaries[i] = init_pos + special_pos
                break
            # 否则继续找 special token
            init_pos += mini_chunk

    return sorted(set(boundaries))

然后就要 tokenize 了。但是对于很大的语料库而言，会包含很多相同的单词（例如 the 这个单词可以在很多地方出现很多次），如果我们 naive 地对一长串 bytes 计算 byte-pair count，时间复杂度是很高的（bytes 实在太多了）。比如说……

1
2
3
4
>>> print(len('这是一段文字'))
6
>>> print(len('这是一段文字'.encode('utf-8')))
18

bytes 数量差了 2 倍！所以我们需要基于“很多单词是重复的，如果单词出现 aa 次，那么这个单词所构成的 byte-pairs 也至少出现 aa 次”这一观察，对 chunk of text 进行 Pre-Tokenization，得到词频统计。而词频统计字典的单词数通常比 byte string 长度短太多了。

对于英文文本来说，OpenAI 在 GPT2 里曾使用过 RegEx 分割单词（主要通过空格、句号等）；对于中文、日文等不依赖空格的语言，基本上也有对应的库，如 jieba 等等。这里就只展示英文 pre-tokenization 的做法。Pre-Tokenization 也可以利用多线程并行。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
# file: 文件
# specials: 特殊 token，需要先按 special token 将段落分割成互不干扰的小段落。
# start, end: 因为是多线程进行 pre-tokenization，这里的 start, end 对应 chunkify 出来的一个 chunk
def count_token(file: BinaryIO, specials: List[str], start: int, end: int):
    file.seek(start)
    data = file.read(end - start).decode("utf-8", errors="ignore")

    # Pretokenization, using split
    # regex.escape 用来转义 <|endoftext|> 中的竖线，正则里的竖线表示“或者”
    sentences = regex.split(
        "|".join(regex.escape(special) for special in specials),
        data,
    )

    # 正则分割出 pre-token 然后计数
    PAT = r"""'(?:[sdmt]|ll|ve|re)| ?\p{L}+| ?\p{N}+| ?[^\s\p{L}\p{N}]+|\s+(?!\S)|\s+"""
    tokens_count = defaultdict(int)
    for sentence in sentences: 
        # 注意这里必须逐个句子处理
        # 如果 "\n".join 的话，可能 join 的 "\n" 也会被当成 token 的一部分。
        pre_tokens = regex.finditer(
            PAT,
            sentence,
        )
        for token in pre_tokens:
            tokens_count[token.group(0)] += 1

        assert not any(tok in tokens_count for tok in specials)
    # assert '<|' not in tokens_count

    return tokens_count

得到词频统计后，我们就可以 merge bytes 了。merge bytes 的过程是不断合并出现次数最多的 byte-pair，具体来说就是：

  1. 我们首先需要把单词表示成 a sequence of bytes，我们的字典保存的是 Dict[Tuple[bytes, ...], int]，即词频（但是词是 tuple of bytes）
  2. 遍历词典，统计 byte-pair count
  3. 取出 count 最多的 byte-pair，如果有多个，则取 byte value 更大的那个
  4. merges 记录下这个要合并的 byte-pair，vocabulary 也新增一个条目记录这个 byte-pair（他们即将成为一个新的 token）
  5. 遍历词典，如果某个单词含有这个 byte-pair 则合并，在词典里更新其 tuple of bytes representation。

    如，我想合并 x 和 y，而某个单词的 tuple of bytes 是 [a, b, c, x, y, d, f, e]，那么合并后就变成了 [a, b, c, xy, d, f, e].

这里有一个小小的优化：显然，合并完一个 byte-pair 之后，只有“在这个单词里和这个 byte-pair 相交的其他 byte-pair 的数量会受到影响”。基于这一点，我们遍历单词的时候，同时检查和当前 byte-pair 相交的其他 byte-pair，然后减去单词的出现次数，并新增条目（受影响的 byte-pair 的一部分和新的 byte-pair 形成的 token）。这样就可以相对高效地进行 merge.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
def bytepair(
    tokens: defaultdict[str, int],
    vocab_size: int,
    init_vocab: defaultdict[int, bytes],
    init_merge: List[Tuple[bytes, bytes]],
) -> Tuple[Dict[int, bytes], List[Tuple[bytes, bytes]]]:
    vocabulary = init_vocab
    merges = init_merge

    # > 这一步，我们先把所有 str 表示的单词转成 tuple of bytes
    toks = defaultdict(int) 
    for token, count in tokens.items():
        btoken = token.encode("utf-8")
        toks[tuple(btoken[i : i + 1] for i in range(len(btoken)))] = count

    # > 先插入初始的 256 的 bytes
    for i in range(256):
        insert_vocabulary(vocabulary, bytes([i]))

    # > bp_cnt 的作用就是统计 byte-pair counting
    bp_cnt = construct(toks)

    for _ in tqdm( # > 这里加了一个进度条可视化
        range(vocab_size - len(vocabulary)),
        desc="merging byte token pairs",
        total=vocab_size,
        initial=len(vocabulary),
    ):
        # > 提取出现次数最多的 byte-pair
        count, pair = max([(cnt, tokpair) for tokpair, cnt in bp_cnt.items()])
        newbyte = pair[0] + pair[1]
        logger.debug(f"merging {pair[0]} and {pair[1]}")
        # > 插入词汇表
        insert_vocabulary(vocabulary, pair[0] + pair[1])
        # > 记录 merge
        merges.append(pair)
        # > 当前的 pair 会被记录成一个 token，不算 byte-pair 了
        # > 因此从 byte-pair counting 里删除
        bp_cnt.pop(pair)

        affected = []
        for token in toks:
            # > 如果单词不包含这个 byte-pair 那么直接跳过
            if not contain(token, pair):
                continue

            new_token = []
            # > 下面的循环是将 token 里的 byte-pair 合并起来
            skip_next = False
            for i in range(len(token)):
                if skip_next:
                    skip_next = False
                    continue

                if i < len(token) - 1 and (token[i], token[i + 1]) == pair:
                    new_token.append(pair[0] + pair[1])
                    # > 这里就是上面说的优化，只影响与 byte-pair 相交的 bytes
                    # > 两个 if 语句考虑的边界的情况
                    if i != 0:
                        bp_cnt[(token[i - 1], token[i])] -= toks[token]
                        bp_cnt[(token[i - 1], newbyte)] += toks[token]
                    if i + 1 != len(token) - 1:
                        bp_cnt[(token[i + 1], token[i + 2])] -= toks[token]
                        bp_cnt[(newbyte, token[i + 2])] += toks[token]
                    skip_next = True
                else:
                    new_token.append(token[i])

            new_token = tuple(new_token)
            affected.append((token, toks[token], new_token))

        # > 由于更新了单词的 bytes 表示，所以单词表也要同步更新
        for old, cnt, new in affected:
            toks.pop(old)
            toks[new] = cnt
    return (vocabulary, merges)
Serialization 注意事项

我们把 merges 和 vocabulary 写入文件时，如果直接写入，会遇到一个问题：

  1. 有一些 bytes 无法以 ASCII 的形式呈现，比如说 b'\x80'
  2. 有一些空白字符比如空格，如果直接写入文件，日后再读取的时候解析就会比较困难。merges.txt 有时

面对这些情况我们有一些处理方法：我们考虑把所有无法以 ASCII 呈现的字符映射到 ≥256\ge 256 的字符上。可以使用 utility 工具 gpt2_bytes_to_unicode()。其原理就是先筛选出 <256\lt 256 里 printable 的字符，然后对于剩下的字符，映射到 ≥256\ge 256 的字符上，返回一个字典。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
def bytes2unicode_serializer() -> Dict[int, str]:
    bytes_list = (
        list(range(ord("!"), ord("~") + 1))
        + list(range(ord("¡"), ord("¬") + 1))
        + list(range(ord("®"), ord("ÿ") + 1))
    )
    copy = bytes_list[:]

    n = 0
    for b in range(256):
        if b in bytes_list:
            continue
        bytes_list.append(b)
        copy.append(256 + n)
        n += 1

    d = dict(zip(bytes_list, [chr(x) for x in copy]))
    return d

Tokenizer Encode/Decode 的流程和实现

regex.split() 的使用

regex.split(REGEX, STRING) 可以按 REGEX 分割字符串，但是默认不会保留匹配了 REGEX 的部分。可以通过在外面加一个圆括号 (REGEX) 让 regex 能够保留匹配的部分。

Encoding

Tokenizer Encoding 的过程是接受一个字符串 str，然后输出 List[int]。

我们现在已有的是

What We Have Type Meaning
vocabulary Dict[int, bytes] 记录了 bytes 对应的编码
merges List[Tuple[bytes, bytes]] 记录了 bytes 合并的先后顺序

这里，合并的先后顺序很重要，因为我们需要正确模拟出 training 过程中它是怎么被合并的。 不能使用贪心法进行合并！ 例如，考虑单词 abcde，我们在 training 时先合并 b c 然后再合并 a b，这意味着 b c 的数量比 a b 多。如果使用贪心法合并，我们会得到 ab c d e，而正确的是 a bc d e。和正确的 tokenization 会有出入。

License

本文采用 署名-非商业性使用-相同方式共享 4.0 国际 许可协议，转载请注明出处。