NLP最重要的编码方式--BPE

今天想简单聊聊在自然语言处理领域用得比较多，像BERT，GPT等自然语言模型都会用到的技术，BPE，全称是Byte Pair Encoding。

这个技术呢，在面试实习生过程中，发现其实很多学生不太能解释清楚，所以我打算自己也沉淀一下。

为啥要BPE编码？

现在的语言模型BERT，GPT，LLaMa等等，在预训练的时候都得tokenization。最简单的一种tokenization，就是把每个单词看成一个token，然后对训练语料进行编码，也就是用一个整数id代表这个token。

但是呢，就英语来说，通常都有几万，甚至几十万的单词。如果用上述的编码方式的话，自然语言模型在算softmax的时候，就得在一个几十万个单词列表上计算一个概率分布，那显然是相当费时。费时也就算了，有些token可能就不怎么常见，硬是这样算分布，模型也不会准。纯纯的事倍功半。

又譬如，现在的GPT，不仅仅能看懂英文，中文，日文这些都能懂。那随着集成的不同国家的语言越来越多，词汇表肯定会大到惊人。所以肯定得想一个能高效的减少token数量的方法。

没错，这个方法就是BPE。

BPE是怎么编码的？

一句话总结BPE。

它无非就是在反复迭代直到你想停为止，而每次迭代都在选取频数最高的相邻subword单元对合并成新的subword单元。

实例是最好的老师。来，我们一起搞个例子。

假设有一份语料，经过统计之后呢，我们可以把这份语料表示成：

{
  'estern': 6,
  'widest': 7,
  'longest': 4
}

step 1. 我们把单词拆分成字母，也就是说，一开始，每个字母就是一个subword单元，像这样：

image.png

这里有个小细节是，在将单词拆分成字母的时候，我在每个单词的最后都加上了</w>。这是为啥呢？主要是为了用它来表示中止，这样在解码的时候，看到这个符号，后续就可以用空格做个replace。

step 2. 我们现在盯着上述这个语料，看下哪个相邻的subword单元对出现的频数最高？

显然一眼看过去，e和s这个相邻的subword单元对频繁出现，总共出现了6 + 7 + 4 = 17次。所以我们用es这个新的subword单元替换语料中出现过的e和s相邻单元对。像这样：

image.png

这里注意词表的变化哦。 s这个subword单元没了，增加了一个 es的subword单元。(词表加一减一，数量不变)

step 3. 好，接下来。我们再重复一次上述操作。基于最新的语料，哪个相邻的subword单元对出现频数最高？

又显然一下，es和t这个相邻的subword单元对频繁出现，总共出现了6 + 7 + 4 = 17次。所以我们用est这个新的subword单元替换语料中出现过的es和s相邻单元对。像这样：

image.png

又要注意词表的变化哦。 es和t这两个subword单元没了，增加了一个est的subword单元。(词表加一减二，数量减一)

step 4. 来来来，别气馁。我们继续，又基于最新的语料，哪个相邻的subword单元对出现频数最高？

est和</w>总共出现了 7 + 4 = 11次。所以我们用est</w>这个新的subword单元替换语料中出现过的est和</w>相邻单元对。像这样：

image.png

再来关注一下词表的变化。词表增加了est</w>的subword单元，并且词表里面，est和est</w>同时存在，直观感受就是est</w>就只会出现在后缀上，而est可以出现在开头，也可以出现词中。(词表加一，数量加一)

step 5. 继续像上面不停的迭代，直到达到预设的subword词表大小(或者下一个最高频出现的单元对的频数是1)

我们回顾一下，我们刚才在干啥？

我们每一步都在问自己，当前的语料中哪个相邻的subword单元对出现得最频繁？找到这样的单元对后，我们将这个单元对合并作为一个新的subword单元，并且替换语料中相应的相邻单元对。

那是不是一句话就能概括？反复迭代直到你想停为止，而每次迭代都在选取出现频数最高的相邻subword单元对合并成新的subword单元

另外，细心观察上述整个过程，会发现词表的大小在每次迭代的时候可能不变，可能增加，也可能减少。

实际上，随着合并的次数增加，词表大小通常是先增加后减少。

为啥呢？可能是人类语言发展的特点吧，有些字母之间本身就是会固定搭配。中文也是一样，像魑魅魍魉，饕餮这些词，语料中基本不会单独出现饕，也不会单独出现餮。正因为有这种语言现象，BPE才能起到缩减词表的作用。

用BPE编码得到了词表后，怎么用呢？

使用BPE编码得到的词表，无非就是弄懂怎么编码，怎么解码。

编码过程，有种最长字符串匹配的意味。具体来说：

编码

step 1. 将词表中的subword单元，按照长度从长到短进行排序；
step 2. 对于一个待编码的单词，遍历step 1中排好序的词表的每个subword单元，
看看这个subword单元是不是待编码单词的子字符串。

• 如果不是，那continue。
• 如果是，这个subword单元是最终编码的一部分；
• 然后待编码单词去掉subword部分，对剩余的单词字符串继续再重新遍历一次词表。
  step 3. 如果遍历完整个词表，还有子字符串没有匹配，那就把剩余字符串替换成<unk>。
  step 4. 最终待编码的单词，就表示成上述过程中找到的subword的组合。
  好的，别说你们。我描述完上述过程，我都觉得很绕。

还是那句，实例是最好的老师。我们来搞个例子：

# 待编码单词：
'highest</w>'

# 按长度排好序的subword词表
['est</w>', 'hi', 'g', 'h']

image.png

所以最终 highest这个单词就表示成[ est</w>, hi, g, h]

编码的复杂度还是挺高的，实际实现中会增加cache。

解码过程，就相对来说很好理解。具体来说：

# 解码
如果相邻subword中间没有</w>中止符，就将两个subword直接拼接。
如果有</w>，就用空格seperate。

# 编码序列
['wedd', 'ing</w>', 'party']

# 最终解码序列
"wedding party"

中文怎么处理呢？

好了。上面说了一通，都在说英文怎么用BPE。那中文呢？毕竟现在的大语言模型基本还是外国友人搞得牛逼一些。我们如果想用中文语料搞个中文的大语言模型的话，怎么用BPE呢？

其实BPE是个通用方法，本质上就是定义好初始的subword单元，然后按照频数，不停合并成常见的subword单元。

对于中文来说，我们完全可以把每个汉字看成初始的subword单元，直接套用BPE就行。

而我这里想说的是，当前大多数GPT模型，都不是以汉字作为subword初始单元来进行BPE。他们定义的初始单元是byte，这样做的好处是可以避免OOV，也能兼顾各种语言符号，这也就是大家听到的Byte-Level BPE。

好了。我也是简单聊聊BPE，可能有些细节也是没聊到的。Anyway，遇到细节问题的时候再研究吧。

那BPE是啥？

一句话概括：反复迭代直到你想停为止，而每次迭代都在选取频数最高的相邻subword单元对合并成新的subword单元