大模型（LLM）的token学习记录-I

大模型（LLM）的token学习记录-I

引用

CSDN

1.

https://blog.csdn.net/penriver/article/details/136318868

在大语言模型（LLM）中，token是模型理解和生成文本的基础单元。本文将详细介绍token的基本概念、长度估算、token化过程、token映射到数值的方法、token操作、局限性以及token数量对模型的影响等多个方面。

基本概念

什么是token?

• 在 LLM 中，token代表模型可以理解和生成的最小意义单位，是 LLM 进行处理的最小单元。
• 根据所使用的特定标记化【Tokenization】方案，token可以表示单词、单词的一部分，甚至只表示字符。采用的方案由模型的类型和大小决定
• token被赋予数值或标识符，并按序列或向量排列，并被输入或从模型中输出，是模型的语言构件。
• 模型理解这些token之间的统计关系，并擅长做token的接龙
• token化是将输入和输出文本分割成可以由LLM AI模型处理的较小单元的过程
• token作为原始文本数据和 LLM 可以使用的数字表示之间的桥梁。LLM使用token来确保文本的连贯性和一致性，有效地处理各种任务，如写作、翻译和回答查询。

如何理解token的长度？

下面是一些有用的经验法则，可以帮助理解token的长度:

• 1 token ~= 4 chars in English
• 1 token ~= ¾ words
• 100 tokens ~= 75 words
• 1-2 句子 ~= 30 tokens
• 1 段落 ~= 100 tokens
• 1,500 单词 ~= 2048 tokens
• 一个unicode字符可以拆分为多个token

使用openai tokenizer 观察token的相关信息

可以通过https://platform.openai.com/tokenizer来观察token 的相关信息。

可以看到，GPT-3.5&GPT-4 与 GPT-3(Legacy) 模型tokenizer方案是不同的，前者产生的token数据量变少，针对中文的处理更加合理。

open ai的模型

OpenAI API由一组不同的模型提供支持，这些模型具有不同的功能和价位

GPT-4是一个大型多模态模型(接受文本或图像输入和输出文本)，由于其更广泛的一般知识和先进的推理能力，它可以比我们以前的任何模型都更准确地解决难题。

token的特点

token如何映射到数值？

词汇表将token映射到唯一的数值表示。LLM 使用数字输入，因此词汇表中的每个标记都被赋予一个唯一标识符或索引。这种映射允许 LLM 将文本数据作为数字序列进行处理和操作，从而实现高效的计算和建模。

为了捕获token之间的意义和语义关系，LLM 采用token编码技术。这些技术将token转换成称为嵌入的密集数字表示。嵌入式编码语义和上下文信息，使 LLM 能够理解和生成连贯的和上下文相关的文本。像transformer这样的体系结构使用self-attention机制来学习token之间的依赖关系并生成高质量的嵌入。

token级操作：精确地操作文本

token级别的操作是对文本数据启用细粒度操作。LLM 可以生成token、替换token或掩码token，以有意义的方式修改文本。这些token级操作在各种自然语言处理任务中都有应用，例如机器翻译、情感分析和文本摘要等。

token 设计的局限性

在将文本发送到 LLM 进行生成之前，会对其进行tokenization。token是模型查看输入的方式ーー单个字符、单词、单词的一部分或文本或代码的其他部分。每个模型都以不同的方式执行这一步骤，例如，GPT 模型使用字节对编码(BPE)

token会在tokenizer发生器的词汇表中分配一个 id，这是一个将数字与相应的字符串绑定在一起的数字标识符。例如，“ Matt”在 GPT 中被编码为token编号[13448]，而 “Rickard”被编码为两个标记，“ Rick”，“ ard”带有 id[8759,446]，GPT-3拥有1400万字符串组成的词汇表。

token 的设计大概存在着以下的局限性：

• 大小写区分：不同大小写的单词被视为不同的标记。“ hello”是token[31373] ，“ Hello”是[15496] ，而“ HELLO”有三个token[13909,3069,46]。
• 数字分块不一致。数值“380”在 GPT 中标记为单个“380”token。但是“381”表示为两个token[“38”，“1”]。“382”同样是两个token，但“383”是单个token[“383”]。一些四位数字的token有: [“3000”] ，[“3”，“100”] ，[“35”，“00”] ，[“4”，“500”]。这或许就是为什么基于 GPT 的模型并不总是擅长数学计算的原因。
• 尾随的空格。有些token有空格，这将导致提示词和单词补全的有趣行为。例如，带有尾部空格的“once upon a ”被编码为[“once”、“upon”、“a”、“ ”]。然而，“once on a time”被编码为[“once”，“ upon”，“ a”，“ time”]。因为“ time”是带有空格的单个token，所以将空格添加到提示词将影响“ time”成为下一个token的概率。

tokenization

• 将文本划分为不同token的正式过程称为 tokenization.

• tokenization是特定于模型的。根据模型的词汇表和tokenization方案，标记可能具有不同的大小和含义。
  BPE是一种将最频繁出现的字符对或字节合并到单个标记中的方法，直到达到一定数量的标记或词汇表大小为止。BPE 可以帮助模型处理罕见或不可见的单词，并创建更紧凑和一致的文本表示。BPE 还允许模型通过组合现有单词或标记来生成新单词或标记。词汇表越大，模型生成的文本就越多样化并富有表现力。但是，词汇表越大，模型所需的内存和计算资源就越多。因此，词汇表的选择取决于模型的质量和效率之间的权衡。
  tokenization涉及到将文本分割成有意义的单元，以捕捉其语义和句法结构，可以采用各种tokenization技术，如字级、子字级(例如，使用字节对编码或 WordPiece)或字符级。根据特定语言和特定任务的需求，每种技术都有自己的优势和权衡。

• 字节对编码（BPE）：为AI模型构建子词词汇，用于合并出现频繁的字符/子字对。

• 子词级tokenization：为复杂语言和词汇划分单词。将单词拆分成更小的单元，这对于复杂的语言很重要。

• 单词级tokenization：用于语言处理的基本文本tokenization。每个单词都被用作一个不同的token，它很简单，但受到限制。

• 句子片段：用习得的子词片段分割文本，基于所学子单词片段的分段。

• 分词tokenization：采用不同合并方法的子词单元。

• 字节级tokenization：使用字节级token处理文本多样性，将每个字节视为令牌，这对于多语言任务非常重要。

• 混合tokenization：平衡精细细节和可解释性，结合词级和子词级tokenization。

相关的技术参见 下图：

token 数量对LLM 的影响

训练模型参数量与训练数据量统计

2022 年 9 月，DeepMind（Chinchilla 论文）中提出Hoffman scaling laws：

表明每个参数需要大约 20 个文本token进行训练。比如一个7B的模型需要140B token，若每个token使用int32(四字节)进行编码的话，就是560GB的数据。

训练模型参数量与训练数据量的统计

影响模型效果的因素有哪些？

虽然模型可以处理或已经接受过训练的token数量确实影响其性能，但其响应的一般性或详细程度更多地是其训练数据、微调和所使用的解码策略的产物。

解码策略也起着重要的作用。修改模型输出层中使用的SoftMax函数的“temperature”可以使模型的输出更加多样化(更高的温度)或者更加确定(更低的温度)。在OpenAI 的API中设置temperature的值可以调整确定性和不同输出之间的平衡。

上下文窗口: 这是模型一次可以处理的token的最大数量。如果要求模型比上下文窗口生成更多的token，它将在块中这样做，这可能会失去块之间的一致性。

不同的模型支持不同的上下文token窗口,见下表

等这样的大模型有一个最大token 数量限制，超过这个限制，它们就不能接受输入或生成输出

一般地， 可以尝试以下方法来解决token长度限制的问题：

• 截断
• 抽样
• 重组
• 编解码
• 微调

参考

• LLM 中 Token 的通俗解释
• 解读大模型（LLM）的token
• 大模型参数量与训练数据量关系