LLM的核心是通过对语言进行建模来生成自然语言输出或理解输入,两个重要的概念在其中发挥关键作用：Tokenizer 和 Embedding。本篇文章将对这两个概念进行入门级介绍,并提供了针对前端的js示例代码，帮助读者理解它们的基本原理/作用和如何使用。
1. 什么是Tokenizer？
Tokenizer 是一种将自然语言文本转化为模型可以处理的数字表示的工具。自然语言是由词、子词或字符组成的，而模型无法直接处理这些符号，它们只能处理数字。因此，Tokenizer的主要任务就是将文本转换为一系列数字。
1.1 Tokenizer的工作原理
Tokenizer通过查表的方式，将每个单词、子词或者字符映射为一个唯一的整数ID。这些整数ID作为模型的输入，帮助模型将语言处理为结构化的形式。
以句子“我喜欢学习”为例，一个简单的Tokenizer可能将其分解为每个汉字，并为每个汉字分配一个唯一的整数ID，如下：
- “我” -> 1
- “喜欢” -> 2, 3
- “学习” -> 4, 5
在实际应用中，很多语言模型使用更复杂的分词方式，如子词分割。子词分割允许模型将罕见词分割为多个子词单元，从而提升泛化能力。例如，常见的子词分割方法包括BPE（Byte Pair Encoding）和WordPiece，这些方法可以将长词拆分为更小的、频率更高的子词，增强模型处理罕见词汇的能力。
1.2 Tokenizer的种类
- 词级别（Word-level）Tokenizer：将每个词作为一个Token。适用于语言如英文等分隔明确的文本，但对于中文等无空格分隔的语言不太适合。
- 子词级别（Subword-level）Tokenizer：基于统计方法，将文本分割为高频子词单元。BPE和WordPiece是常见的子词分割算法。
- 字符级别（Character-level）Tokenizer：将每个字符视为一个Token。这种方法适用于字符构成较复杂的语言（如中文），但会导致较长的序列输入。
1.3 为什么需要Tokenizer？
- 将文本转化为数字：语言模型需要处理的是数字而不是文本。Tokenizer将文本符号转换为数字ID，是进入模型的第一步。
- 词汇管理：通过分词，Tokenizer建立了一个词汇表，其中每个词或子词都对应一个唯一的ID。这让模型可以在推理时迅速查找词的表示。
- 提升模型的泛化能力：通过分词，特别是子词分词，模型能够处理罕见词和新词，因为它可以将新词拆解为更小的子词单元，避免出现完全未知的词。
1.4 Tokenizer 示例代码
其实python相关的库比较多，这里就用一个0依赖的js库来测试，自己也可以子串匹配实现。
npm install @lenml/tokenizers
import { fromPreTrained } from "@lenml/tokenizer-llama3"; const tokenizer = fromPreTrained(); const tokens = tokenizer.apply_chat_template( [ { role: "system", content: "你是一个有趣的ai助手", }, { role: "user", content: "好好，请问怎么去月球?", }, ] ) as number[]; // 转化成token的数组 console.log(tokens); const chat_content = tokenizer.decode(tokens); // 还原了的数据 console.log(chat_content);
2. 什么是Embedding？
Embedding 是将Tokenizer生成的整数ID转化为稠密的向量表示的过程。与Tokenizer将文本转换为离散的整数ID不同，Embedding生成的是连续的实数值向量，这些向量能够捕捉词之间的语义关系。
2.1 Embedding的工作原理
在Embedding阶段，语言模型通过查表的方式，将每个整数ID映射到一个高维向量空间中的向量。这个向量通常是一个固定维度的向量（例如，300维、512维或768维），用来表示单词或子词的语义特征。
例如，经过Tokenizer处理的文本“我喜欢学习”可能会生成整数ID序列 [1, 2, 3, 4, 5]。在Embedding阶段，这些ID会被转换为稠密向量表示，如：
- “我” ->
[0.25, -0.34, 0.15, ...] - “喜欢” ->
[0.12, 0.57, -0.22, ...], [0.11, -0.09, 0.31, ...] - “学习” ->
[0.33, -0.44, 0.19, ...], [0.09, 0.23, -0.41, ...]
这些向量并不是随机生成的，它们是在模型的训练过程中被学习得到的。Embedding向量的维度固定，但向量的数值根据模型对词语上下文的理解不断更新和优化，最终形成一个语义丰富的向量表示。
2.2 Embedding的种类
- 词向量（Word Embedding）：如Word2Vec、GloVe等方法，通过静态词向量将词语映射到向量空间中。这些方法的Embedding是静态的，即同一个词在不同上下文中具有相同的向量。
- 上下文相关的Embedding：如BERT、GPT等方法生成的Embedding，是基于上下文的动态向量。同一个词在不同的上下文中可能有不同的向量表示，从而更加精准地捕捉语言中的多义性和语境变化。
2.3 为什么需要Embedding？
- 捕捉词之间的语义关系：通过Embedding，模型可以将语义相似的词表示为相近的向量。例如，“猫”和“狗”的向量在空间中可能非常接近，而“猫”和“车”的向量则会相距较远。
- 连续性表示：与离散的整数ID不同，Embedding向量是连续的。这使得模型能够更好地进行计算和优化，因为连续的数值表示可以更容易进行梯度计算和模型学习。
- 语义压缩：Embedding将高维的语言信息压缩到一个固定的向量空间中，这样模型就可以高效地处理输入并捕捉到其中的重要语义特征。
2.4 使用 TensorFlow.js实现一个嵌入层
接下来，我们用 TensorFlow.js 来实现一个简单的Embedding层。
首先安装 TensorFlow.js：
npm install @tensorflow/tfjs
然后我们创建一个简单的Embedding层，将Token IDs转换为对应的Embedding向量。
const tf = require('@tensorflow/tfjs'); // 假设词汇表大小为10000，嵌入维度为300 const vocabSize = 10000; const embeddingDim = 300; // 创建一个Embedding层 const embeddingLayer = tf.layers.embedding({inputDim: vocabSize, outputDim: embeddingDim}); // 输入是之前Tokenizer的Token IDs const tokenIds = tf.tensor([[1045, 2293, 4083]]); // Batch size为1，三个Token // 使用Embedding层将Token IDs转化为Embedding向量 const embeddings = embeddingLayer.apply(tokenIds); embeddings.print(); // 输出Embedding结果
在这个示例中，我们定义了一个词汇表大小为10000、嵌入维度为300的Embedding层。tokenIds代表之前从Tokenizer生成的Token ID序列，经过Embedding层后，生成对应的300维度的稠密向量。
注意下tfjs在浏览器和nodejs的时候不同的backend性能和表现有点差异,但基本可用,详细接口参考TensorFlow.js API
另外有时候进行向量化比较吃资源,或者需要处理大量文本和超高向量时,可使用各个AI平台提供的接口,一般叫做嵌入/向量化/句向量等
3. Tokenizer和Embedding的关系
在LLM中，Tokenizer和Embedding是文本处理的两个连续步骤：
- Tokenizer负责将文本分割为Token，并将这些Token映射为离散的整数ID。
- Embedding则将这些整数ID进一步转化为稠密的向量表示，以便模型能够进行深度学习和优化。
它们的关系可以简单总结为：Tokenizer将语言中的离散符号表示成模型可以识别的离散ID，而Embedding则将这些离散ID转化为连续的向量，以便捕捉词之间的语义关系。
4. 总结
在大规模语言模型（LLM）中，Tokenizer和Embedding是两个基础且关键的步骤。Tokenizer通过分词和映射，将文本转化为模型可以处理的数字序列。而Embedding则将这些数字序列进一步转化为语义丰富的向量表示。这两个步骤共同构成了LLM处理自然语言输入的基础，为模型的语义理解和生成提供了强大的支持。
对于初学者来说，理解Tokenizer和Embedding的作用及其背后的原理，将为深入学习LLM及其应用打下坚实的基础。
看了这么多,作为前端的你,还不赶紧npm install一下然后测试测试? ps: tfjs有cdn版本,简单测试可以直接用url引入,可能比安装更简单就是要等待
