[SentencePiece]论文解读:SentencePiece: A simple and language independent subword tokenizer...

本文涉及的产品
NLP 自学习平台,3个模型定制额度 1个月
NLP自然语言处理_高级版,每接口累计50万次
NLP自然语言处理_基础版,每接口每天50万次
简介: [SentencePiece]论文解读:SentencePiece: A simple and language independent subword tokenizer...

论文:SentencePiece: A simple and language independent subword tokenizer and detokenizer for Neural Text Processing

作者:Taku Kudo, John Richardson

时间:2018

地址:google/sentencepiece: Unsupervised text tokenizer for Neural Network-based text generation. (github.com)

一、完整代码

这里我们使用python代码进行实现

# 完整代码在这里
import tensorflow as tf
import keras_nlp
inputs = tf.data.Dataset.from_tensor_slices(["Drifting Along"])
proto = keras_nlp.tokenizers.compute_sentence_piece_proto(inputs, vocabulary_size=15, lowercase=True)
tokenizer = keras_nlp.tokenizers.SentencePieceTokenizer(proto=proto)
outputs = inputs.map(tokenizer)
for output in outputs:
    print(output)
# tf.Tensor([ 4  8 12  5  9 14  5  6 13  4  7 10 11  6 13], shape=(15,), dtype=int32)

二、论文解读

SentencePiece是一个用于基于文本生成的无监督文本分词器,基本上结合了所有的分词算法于一身,是一个端到端的工具,并且不依赖于语言;也就是说无论什么语言丢进去就能做分词处理;

2.1 问题

  1. 不同语言需要进行不同的预处理

一般来说,BPEUnigram在处理tokenization的时候都需要文本已经经过了一次切割,以英文为例子:how are you应该被切割成了['how', 'are', 'you'];只有这样我们才能进行考虑单词的内部构造,因为BPEUnigram都是基于subwords的算法;现在的问题是,不是所有的语言其word都是以空格来进行分割的,对于中文来说,只能每个字符每个字符来切割,或者结合词表来切割;总结就是语言并不共享同一套预处理方式;

  1. 解码会存在不同,并不是无损的

hello world.为例子,假设得到的分割是['hello', 'world', '.'],这里解码的时候会得到hello world .,也就是在world.之间多了一个空格,这是我们不想看到的

  1. 没有一个端到端的解决方案

BPEUnigram并不能完整的解决问题,需要一个端到端的解决方案;

2.2 解决

  1. 把所有的字符都转化为unicode编码,包括空格

SentencePiece首先将所有文本的字符都转化为unicode字符,这也就意味着不需要去考虑不同的语言,字符或者符号,都视为一致的;

  1. SentencePiece把空格看作一个基本符号

SentencePiece为了精细化的处理空格,其将空格 转为_进行分割,比如hello world.,其会分割为[hello],[_wor],[ld],[.],这样处理就我们可以在没有任何歧义的情况下去标记文本;

  1. 不仅实现端到端的方案,而且更快

SentencePiece利用了优先队列对算法进行加速,分词时间大幅缩减,可以利用其作为一个端到端的分词工具;

2.3 应用

这里要介绍的是这里采用的模型类别有四种,分别是BPEUnigramwordchar

其中wordchar看字面意思就直到其是根据wordchar来进行分词,前者根据空格转的_来进行分词,而char是根据每个unicode来进行分词;

这里要讨论的便是BPEUnigram,其会对_来进行分割,然后各自适配其算法,但是在这里假设是中文呢,预处理的时候会分割成以空格开头的长字符串,看作word再进行subword分析;要注意的是BPE是小表变大表,Unigram是大表转小表,由于在转化的过程中一般有限制,这里建立在对中文分词时使用Unigram最好,这样会有长字符出现而不是统一都是单字符;

代码如下:

import tensorflow as tf
import keras_nlp
inputs = tf.data.Dataset.from_tensor_slices(["Drifting Along"])
proto = keras_nlp.tokenizers.compute_sentence_piece_proto(inputs, vocabulary_size=15, lowercase=True)
tokenizer = keras_nlp.tokenizers.SentencePieceTokenizer(proto=proto)
outputs = inputs.map(tokenizer)
for output in outputs:
    print(output)
# tf.Tensor([ 4  8 12  5  9 14  5  6 13  4  7 10 11  6 13], shape=(15,), dtype=int32)

三、总结

SentencePiece不应该看作一个分词算法,现有的分词算法貌似只有两种,BPE和Unigram,WordPiece和SentencePiece一样,其不过是做了一些改良;

SentencePiece NB!


目录
相关文章
|
自然语言处理 算法
ransformers从入门到精通:常用的subword tokenizer算法
- WordPiece、BPE/BBPE最小字词进行合并最终字词,BPE/BBPE直接采用词频判断合并规则而WordPiece采用最大似然的方式 - unigram采用从最大的字词集合里移除那些对语料库整体概率贡献最小的子词【6月更文挑战第7天】
313 3
|
7月前
|
运维 监控 安全
代理IP故障排查,怎样快速锁定问题?
在信息化时代,互联网不可或缺,业务需求使HTTP动态代理IP的应用日益广泛。为快速排查代理IP故障,可采取以下步骤:1. 检查代理IP有效性(Ping测试、HTTP请求测试);2. 监控连接速度(延迟、带宽测试);3. 分析错误信息(HTTP状态码、错误日志);4. 检查代理设置(配置文件、协议支持);5. 使用调试工具(Wireshark、浏览器开发者工具);6. 咨询服务提供商;7. 检查网络环境(防火墙、ISP限制);8. 逐步故障排除并记录变化。通过这些方法,能有效找出并解决问题。
193 5
|
人工智能
最近很火的人工智能ChatGPT可以实现“ 连续对话”机制
这篇文章介绍了人工智能ChatGPT实现连续对话机制的方法,包括如何通过传递特定的参数如conversation_id来保持对话的连续性。
最近很火的人工智能ChatGPT可以实现“ 连续对话”机制
|
机器学习/深度学习 自然语言处理 算法
|
存储 SQL 数据库
触发器的设计、掌握存储过程的基本概念和创建、执行、删除方法。掌握数据库备份的方法和数据库恢复的方法。
这篇文章介绍了数据库中触发器的设计概念,包括创建、修改、删除触发器的方法,并通过实验内容教授如何使用SQL命令创建DML触发器以及如何利用触发器实现数据的完整性和自动化处理。
触发器的设计、掌握存储过程的基本概念和创建、执行、删除方法。掌握数据库备份的方法和数据库恢复的方法。
|
机器学习/深度学习 自然语言处理 语音技术
注意力机制(Attention Mechanism)
注意力机制(Attention Mechanism)
415 0
|
机器学习/深度学习 算法 索引
Transformer中解码器decoder的详细讲解(图文解释)
Transformer中解码器decoder的详细讲解(图文解释)
1469 0
Transformer中解码器decoder的详细讲解(图文解释)
|
JavaScript
vue 在线聊天实战范例(含选择发送表情、图片、视频、音频,自定义右键快捷菜单,一键复制,左右聊天气泡)
vue 在线聊天实战范例(含选择发送表情、图片、视频、音频,自定义右键快捷菜单,一键复制,左右聊天气泡)
541 0
|
机器学习/深度学习 PyTorch 算法框架/工具
神经网络参数初始化
**神经网络参数初始化**是深度学习的关键步骤。权重常通过**Xavier**或**He**初始化来打破对称性,适用于ReLU激活;而偏置通常初始化为0。初始化方法还包括**均匀分布**、**正态分布**、**全零**、**全一**和**固定值**。在PyTorch中,`torch.nn.init`模块提供了如`xavier_uniform_`和`kaiming_normal_`等初始化函数。预训练模型也可用于初始化,通过微调提升性能。
|
机器学习/深度学习 人工智能 自然语言处理
2024通义语音AI技术图景,大模型引领AI再进化
2024通义语音AI技术图景,大模型引领AI再进化