tokenizers models模块

模块概述

在NLP处理中，分词的目标就是是把输入的文本流，切分成一个个子串，每个子串相对有完整的语义，便于学习embedding表达和后续模型的使用。有三种粒度，分别是word、subword、char。

word/词，词，是最自然的语言单元。对于英文等自然语言来说，存在着天然的分隔符，如空格或一些标点符号等，对词的切分相对容易。但是对于一些东亚文字包括中文来说，就需要某种分词算法才行。顺便说一下，Tokenizers库中，基于规则切分部分，采用了spaCy和Moses两个库。如果基于词来做词汇表，由于长尾现象的存在，这个词汇表可能会超大。像Transformer XL库就用到了一个26.7万个单词的词汇表。这需要极大的embedding matrix才能存得下。embedding matrix是用于查找取用token的embedding vector的。这对于内存或者显存都是极大的挑战。常规的词汇表，一般大小不超过5万。

char/字符，即最基本的字符，如英语中的’a’,‘b’,‘c’或中文中的’你’，‘我’，'他’等。而一般来讲，字符的数量是少量有限的。这样做的问题是，由于字符数量太小，我们在为每个字符学习嵌入向量的时候，每个向量就容纳了太多的语义在内，学习起来非常困难。

subword/子词级，它介于字符和单词之间。比如说’Transformers’可能会被分成’Transform’和’ers’两个部分。这个方案平衡了词汇量和语义独立性，是相对较优的方案。它的处理原则是，常用词应该保持原状，生僻词应该拆分成子词以共享token压缩空间。

models模块实现许多分词算法，比如基于word-level的算法类WordLevel、基于subword-level的算法类BPE、Unigram、WordPiece，这些类都是Model的子类或者实现类，因为Model类是不能被实例化的。

对于Model类官方文档中的解释如下，意思是说Model主要用于处理所有sub-token的发现和生成，这是可训练且真正依赖于您的输入数据的部分：

Model: Handles all the sub-token discovery and generation, this is the part that is trainable and really dependent of your input data.

模块使用

1、WordLevel

tokenizers.models.WordLevel(vocab, unk_token)

实现了WordLevel算法。也就是将一个单词映射为一个id。

tokenizer = Tokenizer(WordLevel(unk_token = unk_token))
trainer = WordLevelTrainer(special_tokens = spl_tokens)

2、BPE

tokenizers.models.BPE(vocab = None, merges = None, cache_capacity = None, dropout = None, unk_token = None, continuing_subword_prefix = None, end_of_word_suffix = None, fuse_unk = None )

实现了BPE（Byte-Pair Encoding，字节对编码）算法。其核心思想在于将最常出现的子词对合并，直到词汇表达到预定的大小时停止。 BPE算法如下：

首先，它依赖于一种预分词器pretokenizer来完成初步的切分。pretokenizer可以是简单基于空格的，也可以是基于规则的；
分词之后，统计每个词出现的频次，供后续计算使用。例如，我们统计到了5个词的词频：

("hug", 10), ("pug", 5), ("pun", 12), ("bun", 4), ("hugs", 5)

然后建立基础词汇表，包括所有的字符，即：

["b", "g", "h", "n", "p", "s", "u"]

根据规则，我们分别考察2-gram，3-gram的基本字符组合，把高频的ngram组合依次加入到词汇表中，直到词汇表达到预定大小停止。比如，我们计算出ug/un/hug三种组合出现频次分别为20，16和15，加入到词汇表中。

最终词汇表的大小= 基础字符词汇表大小 + 合并串的数量，比如像GPT，它的词汇表大小 40478 = 478(基础字符) + 40000（merges）。如果遇到未知的单词，用unk来表示。添加完后，我们词汇表变成：

["b", "g", "h", "n", "p", "s", "u", "ug", "un", "hug"]

Byte-level BPE

BPE的一个问题是，如果遇到了unicode，基本字符集可能会很大。一种处理方法是我们以一个字节为一种“字符”，不管实际字符集用了几个字节来表示一个字符。这样的话，基础字符集的大小就锁定在了256。

tokenizer = Tokenizer(BPE(unk_token = unk_token))
trainer = BpeTrainer(special_tokens = spl_tokens)

BPE算法的实现：

import re, collections

def get_stats(vocab):
    pairs = collections.defaultdict(int)
    for word, freq in vocab.items():
        symbols = word.split()
        for i in range(len(symbols)-1):
            pairs[symbols[i],symbols[i+1]] += freq
    return pairs

def merge_vocab(pair, v_in):
    v_out = {}
    bigram = re.escape(' '.join(pair))
    p = re.compile(r'(?<!\S)' + bigram + r'(?!\S)')
    for word in v_in:
        w_out = p.sub(''.join(pair), word)
        v_out[w_out] = v_in[word]
    return v_out

vocab = {'l o w </w>': 5, 'l o w e r </w>': 2, 'n e w e s t </w>': 6, 'w i d e s t </w>': 3}
num_merges = 1000
for i in range(num_merges):
    pairs = get_stats(vocab)
    if not pairs:
        break
    best = max(pairs, key=pairs.get)
    vocab = merge_vocab(best, vocab)
    print(best)

3、WordPiece

tokenizers.models.WordPiece(vocab, unk_token, max_input_chars_per_word )

实现了WordPiece算法。它的原理非常接近BPE，不同之处在于它做合并时，并不是直接找最高频的组合，而是基于概率生成新的subword。即它每次合并的两个字符串A和B，应该具有最大的值 $P (A B) / P (A) P (B)$ 。合并AB之后，所有原来切成A+B两个tokens的就只保留AB一个token，整个训练集上最大似然变化量与 $P (A B) / P (A) P (B)$ 成正比。

tokenizer = Tokenizer(WordPiece(unk_token = unk_token))
trainer = WordPieceTrainer(special_tokens = spl_tokens)

4、Unigram

tokenizers.models.Unigram(vocab)

实现了Unigram算法。与BPE或者WordPiece不同，Unigram的算法思想是从一个巨大的词汇表出发，再逐渐删除trim down其中的词汇，直到size满足预定义。Unigram算法如下：

初始的词汇表可以采用所有预分词器分出来的词，再加上所有高频的子串。每次从词汇表中删除词汇的原则是使预定义的损失最小。训练时，计算loss的公式为：

在这里插入图片描述

假设训练文档中的所有词分别为 $x_1,x_2,...,x_N$ ，而每个词tokenize的方法是一个集合 $S(x_i)$ 。当一个词汇表确定时，每个词tokenize的方法集合 $S(x_i)$ 就是确定的，而每种方法对应着一个概率 $p (x)$ 。如果从词汇表中删除部分词，则某些词的tokenize的种类集合就会变少，log(*)中的求和项就会减少，从而增加整体loss。

Unigram算法每次会从词汇表中挑出使得loss增长最小的10%~20%的词汇来删除。一般Unigram算法会与SentencePiece算法连用。

到目前为止描述的所有标记化算法都有相同的问题：假设输入文本使用空格来分隔单词。但是，并非所有语言都使用空格来分隔单词，例如中文、日文和泰文。

SentencePiece，顾名思义，它是把一个句子看作一个整体，再拆成片段，而没有保留天然的词语的概念。一般地，它把空格space也当作一种特殊字符来处理，再用BPE或者Unigram算法来构造词汇表。SentencePiece 是对子词单元的重新实现，也是一种subword-level算法。SentencePiece 支持两种分割算法，byte-pair-encoding (BPE)和Unigram语言模型。

tokenizer = Tokenizer(Unigram())
trainer = UnigramTrainer(unk_token= unk_token, special_tokens = spl_tokens)