分词器(Tokenizers)是将文本转换为模型可理解的数字序列的关键组件，直接影响模型的性能和效率。
🏗️ 主流分词算法
1️⃣ BPE (Byte Pair Encoding)
原理：通过合并高频字符对来构建词汇表
优点：
● 有效处理未登录词
● 词汇量可控
● 多语言支持好
缺点：
● 可能产生不完整的词
● 对中文支持有限
实现示例：
from tokenizers import Tokenizer
from tokenizers.models import BPE
tokenizer = Tokenizer(BPE(unk_token="[UNK]"))
2️⃣ WordPiece
原理：基于最大似然估计逐步合并词片段
特点：
● Google开发，用于BERT
● 在词前添加##标记子词
● 更适合英文
示例：
"playing" -> ["play", "##ing"]
3️⃣ SentencePiece
原理：将文本视为Unicode序列，不依赖空格分词
优势：
● 语言无关性
● 支持中文、日文等无空格语言
● 可逆转换
配置示例：
import sentencepiece as spm
spm.SentencePieceTrainer.train(
input='input.txt',
model_prefix='tokenizer',
vocab_size=32000,
model_type='bpe'
)
📊 算法对比
特性 BPE WordPiece SentencePiece
分词粒度 子词 子词 子词/字符
语言支持 英文为主 英文为主 多语言
空格处理 依赖空格 依赖空格 不依赖空格
训练速度 快 中等 慢
模型大小 小 中等 大
🎯 实战应用
中文分词最佳实践
使用SentencePiece处理中文
import sentencepiece as spm
训练中文分词器
spm.SentencePieceTrainer.train(
input='chinese_corpus.txt',
model_prefix='chinese_sp',
vocab_size=32000,
character_coverage=0.995, # 覆盖99.5%字符
model_type='bpe'
)
使用分词器
sp = spm.SentencePieceProcessor(model_file='chinese_sp.model')
tokens = sp.encode('大模型面试宝典', out_type=str)
print(tokens) # ['大', '模型', '面试', '宝典']
英文分词示例
使用Hugging Face Tokenizers
from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained('bert-base-uncased')
tokens = tokenizer.tokenize("transformer architecture")
print(tokens) # ['transform', '##er', 'arch', '##itecture']
🔍 技术细节
词汇表构建流程
- 预处理：清洗文本，标准化
- 训练：基于语料库学习分词规则
- 验证：检查分词质量
- 优化：调整超参数
特殊标记处理
● [PAD]：填充标记
● [UNK]：未知词标记
● [CLS]：分类标记
● [SEP]：分隔标记
● [MASK]：掩码标记（用于MLM）
