深入浅出LLM基础：大模型基础知识

1. 分词

回顾第一章节（Introduction）部分的内容，我们知道语言模型 ppp 是建立在词元（token）序列的上的一个概率分布输出，其中每个词元来自某个词汇表VVV，如下的形式。

[the, mouse, ate, the, cheese]

Tips: 词元(token)一般在NLP（自然语言处理）中来说，通常指的是一个文本序列中的最小单元，可以是单词、标点符号、数字、符号或其他类型的语言元素。通常，对于NLP任务，文本序列会被分解为一系列的tokens，以便进行分析、理解或处理。在英文中一个"token"可以是一个单词，也可以是一个标点符号。在中文中，通常以字或词作为token（这其中就包含一些字符串分词的差异性，将在后续内容中讲到）。

然而，自然语言并不是以词元序列的形式出现，而是以字符串的形式存在（具体来说，是Unicode字符的序列），比如上面的序列的自然语言为“the mouse ate the cheese”。

分词器将任意字符串转换为词元序列： ‘the mouse ate the cheese.’ ⇒[the,mouse,ate,the,cheese,.]\Rightarrow [the, mouse, ate, the, cheese, .]⇒[the,mouse,ate,the,cheese,.]

Tips: 熟悉计算机的可能清晰字符串和序列的差异性，这里只做一个简要的说明。 字符串：所以字母、符号和空格都是这这个字符串的一部分。 词元序列：由多个字符串组成（相当于把一个字符串分割为了多了子字符串，每个子字符串是一个词元）

这里需要注意的是，虽然这部分并不一定是语言建模中最引人注目的部分，但在确定模型的工作效果方面起着非常重要的作用。我们也可以将这个方式理解为自然语言和机器语言的一种隐式的对齐，也可能是大家对于语言模型可能开始接触的时候最困惑的地方，特别是做机器学习相关的人员，因为我们所日常了解的输入需要是数值的，从而才能在模型中被计算，所以，如果输入是非数值类型的字符串是怎么处理的呢？

接下来我们就一步一步来看，研究者们是怎么讲一个字符串文本变成机器能计算的数值的。下面本章节将对分词的一些细节进一步的讨论。

Tips:为什么说是“隐式的对齐”，这是由于每一个词在模型中，都有一个其确定的词向量。例如～

1.1 基于空格的分词

可视化的词编码： observablehq.com/@simonw/gpt…

分词，其实从字面很好理解，就是把词分开，从而方便对于词进行单独的编码，对于英文字母来说，由于其天然的主要由单词+空格+标点符号组成，最简单的解决方案是使用text.split(' ')方式进行分词，这种分词方式对于英文这种按照空格，且每个分词后的单词有语义关系的文本是简单而直接的分词方式。然而，对于一些语言，如中文，句子中的单词之间没有空格，例如下文的形式。

“我今天去了商店。”\text{“我今天去了商店。”}“我今天去了商店。”

还有一些语言，比如德语，存在着长的复合词（例如Abwasserbehandlungsanlange）。即使在英语中，也有连字符词（例如father-in-law）和缩略词（例如don’t），它们需要被正确拆分。例如，Penn Treebank将don’t拆分为do和n’t，这是一个在语言上基于信息的选择，但不太明显。因此，仅仅通过空格来划分单词会带来很多问题。

那么，什么样的分词才是好的呢？目前从直觉和工程实践的角度来说：

• 首先我们不希望有太多的词元（极端情况：字符或字节），否则序列会变得难以建模。
• 其次我们也不希望词元过少，否则单词之间就无法共享参数（例如，mother-in-law和father-in-law应该完全不同吗？），这对于形态丰富的语言尤其是个问题（例如，阿拉伯语、土耳其语等）。
• 每个词元应该是一个在语言或统计上有意义的单位。

1.2 Byte pair encoding

将字节对编码（BPE）算法应用于数据压缩领域，用于生成其中一个最常用的分词器。BPE分词器需要通过模型训练数据进行学习，获得需要分词文本的一些频率特征。

学习分词器的过程，直觉上，我们先将每个字符作为自己的词元，并组合那些经常共同出现的词元。整个过程可以表示为：

• Input(输入)：训练语料库（字符序列）。 算法步骤
• Step1. 初始化词汇表 VVV 为字符的集合。
• while(当我们仍然希望V继续增长时)： Step2. 找到VVV中共同出现次数最多的元素对 x,x′x,x’x,x′ 。
• Step3. 用一个新的符号 xx′xx’xx′ 替换所有 x,x′x,x’x,x′ 的出现。
• Step4. 将xx′xx’xx′ 添加到V中。

这里举一个例子：

输入语料： Input:

I = [['the car','the cat','the rat']]

我们可以发现这个输入语料是三个字符串。

Step1. 首先我们要先构建初始化的词汇表VVV,所以我们将所有的字符串按照字符进行切分，得到如下的形式：

[['t', 'h', 'e', '$\space$', 'c', 'a', 'r'],
['t', 'h', 'e', '$\space$', 'c', 'a', 't'],
['t', 'h', 'e', '$\space$', 'r', 'a', 't']]

对于着三个切分后的集合我们求其并集，从而得到了初始的词汇表VVV=[‘t’,‘h’,‘e’,’ ',‘c’,‘a’,‘r’,‘t’]。

在此基础上我们假设期望继续扩充VVV,我们开始执行 Step2-4.

首先，执行 Step2.找到VVV中共同出现次数最多的元素对 x,x′x,x’x,x′: 我们找到VVV中共同出现次数最多的元素对 x,x′x,x’x,x′，我们发现’t’和’h’按照’th’形式一起出现了三次，‘h’和’e’按照’he’形式一起出现了三次，我们可以随机选择其中一组，假设我们选择了’th’。

接下来，执行 Step3. 用一个新的符号 xx′xx’xx′ 替换所有 x,x′x,x’x,x′ 的出现： 将之前的序列更新如下：(th 出现了 3次)

[[th, e, $\sqcup$, c, a, r], 
[th, e, $\sqcup$, c, a, t],
[th, e, $\sqcup$, r, a, t]] 

最后我们再执行 Step4. 将xx′xx’xx′ 添加到V中： 从而得到了一次更新后的词汇表VVV=[‘t’,‘h’,‘e’,’ ',‘c’,‘a’,‘r’,‘t’,‘th’]。

接下来如此往复：

1. [the, ⊔,c,a,r]\sqcup , c, a, r]⊔,c,a,r], [the, ⊔,c,a,t],[\sqcup , c, a, t],[⊔,c,a,t],[ the, ⊔,r,a,t]\sqcup , r, a, t]⊔,r,a,t] (the 出现了 3次)

2. [the, ⊔,ca,r]\sqcup , ca, r]⊔,ca,r], [the, ⊔,ca,t],[\sqcup , ca, t],[⊔,ca,t],[ the, ⊔,ra,t]\sqcup , ra, t]⊔,ra,t] (ca 出现了 2次)

Tips:对于上述流程进行一个详细化的描述 首先我们先将所有的

Unicode的问题

Unicode（统一码）是当前主流的一种编码方式。其中这种编码方式对BPE分词产生了一个问题（尤其是在多语言环境中），Unicode字符非常多（共144,697个字符）。在训练数据中我们不可能见到所有的字符。 为了进一步减少数据的稀疏性，我们可以对字节而不是Unicode字符运行BPE算法（Wang等人，2019年）。 以中文为例：

今天⇒[x62, x11, 4e, ca]\text { 今天} \Rightarrow \text {[x62, x11, 4e, ca]} 今天⇒[x62, x11, 4e, ca]

BPE算法在这里的作用是为了进一步减少数据的稀疏性。通过对字节级别进行分词，可以在多语言环境中更好地处理Unicode字符的多样性，并减少数据中出现的低频词汇，提高模型的泛化能力。通过使用字节编码，可以将不同语言中的词汇统一表示为字节序列，从而更好地处理多语言数据。

1.3 Unigram model (Sent