分词器(Tokenizer) | 有了分词器，为什么还需要嵌入模型

西京刀客

已于 2025-02-20 00:09:10 修改

阅读量1.2k

点赞数 36

分类专栏： AI 软件架构/技术选型文章标签： tokenizer NLP LLM 分词器

于 2025-02-19 23:52:34 首次发布

本文链接：https://blog.csdn.net/inthat/article/details/145740673

版权

软件架构/技术选型同时被 2 个专栏收录

103 篇文章

订阅专栏

22 篇文章

订阅专栏

文章目录

什么是tokenizer

Tokenizers
huggingface官方文档：https://huggingface.co/docs/tokenizers/main/en/index

tokenizer 是NLP 管道的核心组件之一。它们有一个非常明确的目的：将文本转换为模型可以处理的数据。模型只能处理数字，因此tokenizer 需要将我们的文本输入转换为数字。

你应该知道大模型的输入输出的单位是token,Token是使用Tokenizer（翻译为分词器）分词后的结果。Tokenizer是将文本分割成token的工具。

简单来说，Tokenizer 就是将连续的文本拆分成模型能处理的基本单位——Token 的工具，而 “token” 是模型理解和生成文本的最小单位。对于计算机来说，处理原始文本是非常困难的，因此我们需要一个中间层，把文字转换为一系列的数字序列（即，一个个离散的 token），这些 token 既可以是单个字符、词语，也可以是子词（subword）。而这个转换过程正是由 Tokenizer 完成的。

在传统的自然语言处理中，我们可能直接按照单词或字符来分割文本；而在大模型中，常见的方法则是采用子词级别（subword-level）的分割方式。这种方式既能保证足够细致（能够捕捉到拼写变化、罕见词等信息），又不会使得词表过大，进而影响模型的效率和泛化能力。

在中文中，token 通常是单个汉字（或者在某些情况下是常见词汇）。

在英文中，token 通常是一个词或单词的一部分，平均而言大约 4 个字符或 0.75 个单词，但具体拆分方式依赖于采用的 tokenizer 算法。

有了分词器，为什么还需要嵌入模型

尽管 Tokenizer 能够将文本转换为数值索引，但这些索引本身并不包含语义信息。嵌入模型的作用是为这些索引赋予语义，使得模型能够更好地理解和处理文本。

虽然Tokenizer 将文本转换为数值形式，但这些ID还不能直接用于训练大型语言模型（LLM）。在分词和ID化之后，通常还需要通过**嵌入模型（Embedding Model）**将ID映射为稠密的向量表示，这一步是训练LLM的关键部分。

Tokenizer 和嵌入模型是 NLP 流程中的两个关键组件，它们的关系如下：

Tokenizer：将原始文本分割为单元，并映射为数值索引。
嵌入模型：将数值索引转换为语义丰富的向量表示。
下游任务：使用嵌入向量作为输入，完成分类、翻译、问答等任务。

典型流程：

输入文本：“I love NLP”。
Tokenizer：[“I”, “love”, “NLP”] → [1, 2, 3]。
嵌入模型：[1, 2, 3] → [[0.1, 0.2, …], [0.3, 0.4, …], [0.5, 0.6, …]]。
下游任务：使用嵌入向量完成分类、翻译等任务。

嵌入模型的主要任务是将 Tokenizer 生成的数值索引转换为稠密的向量表示，这些向量能够捕捉单词、子词或句子的语义信息。

Tokenizer 和嵌入模型是 NLP 流程中的两个互补组件，它们共同作用，将原始文本转换为计算机可以理解和处理的格式。

总结：分词器-》embedding-》llm
tokenizer库其实就是接收原始数据集中的语料，然后按照一定的规则分开。分词的目的只有一个，那就是为后来的embeding做准备。

分词器为什么在transformers 里

在 transformers 库中，分词器（Tokenizer）是一个核心组件，因为它是将原始文本转换为模型可处理格式的关键步骤。transformers 库由 Hugging Face 开发，旨在为自然语言处理（NLP）任务提供统一的接口，支持多种预训练模型（如 BERT、GPT、T5 等）。

（1）文本预处理标准化
不同的预训练模型使用不同的分词方法（如 BERT 使用 WordPiece，GPT 使用 Byte Pair Encoding，T5 使用 SentencePiece 等）。

transformers 库通过分词器将这些不同的分词方法统一到一个接口中，用户无需关心底层实现细节。

（2）与预训练模型对齐
预训练模型在训练时使用了特定的分词器和词汇表。为了确保模型在推理或微调时表现一致，必须使用相同的分词器。

transformers 库中的分词器与预训练模型一一对应，确保输入格式与模型训练时一致。

（3）支持多种语言和任务
transformers 库支持多种语言和任务（如文本分类、机器翻译、问答等），分词器能够根据任务和语言自动调整分词策略。

（4）高效处理
分词器在 transformers 中经过高度优化，能够快速处理大规模文本数据。

以下是一个使用 transformers 分词器的示例：

from transformers import AutoTokenizer

# 加载预训练模型的分词器
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")

# 输入文本
text = "I love NLP!"

# 使用分词器处理文本
tokens = tokenizer.tokenize(text)  # 分词
input_ids = tokenizer.convert_tokens_to_ids(tokens)  # 转换为ID
encoded_input = tokenizer(text)  # 直接编码为模型输入格式

print("Text:", text)
print("Tokens:", tokens)
print("Input IDs:", input_ids)
print("Encoded Input:", encoded_input)

输出

Text: I love NLP!
Tokens: ['i', 'love', 'nlp', '!']
Input IDs: [1045, 2293, 17953, 999]
Encoded Input: {
    'input_ids': [101, 1045, 2293, 17953, 999, 102],  # 添加了[CLS]和[SEP]
    'token_type_ids': [0, 0, 0, 0, 0, 0],  # 用于区分句子（如BERT）
    'attention_mask': [1, 1, 1, 1, 1, 1]   # 用于标识有效token
}

在 transformers 中，每个预训练模型都有对应的分词器。例如：

BERT：使用 WordPiece 分词器。
GPT：使用 Byte Pair Encoding (BPE) 分词器。
T5：使用 SentencePiece 分词器。

通过 AutoTokenizer，用户可以根据模型名称自动加载对应的分词器，无需手动选择。

Hugging Face的Tokenizer

Hugging Face官方分词器：https://huggingface.co/docs/tokenizers/main/en/index
github:https://github.com/huggingface/tokenizers

Tokenizers 提供了当今最常用的分词器实现，专注于性能和多功能性。这些分词器不仅在研究中使用，还适用于生产环境，具有极快的训练和分词速度，能够在服务器CPU上在20秒内处理1GB的文本。

🤗 Tokenizers provides an implementation of today’s most used tokenizers, with a focus on performance and versatility. These tokenizers are also used in 🤗 Transformers.

在这里插入图片描述

huggingface的transform库包含三个核心的类：configuration，models 和tokenizer 。

from transformers import BertTokenizer

# 加载预训练的BERT分词器
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')

# 输入文本
text = "I love NLP."

# 分词并转换为ID
tokens = tokenizer.tokenize(text)
input_ids = tokenizer.convert_tokens_to_ids(tokens)

print("Tokens:", tokens)
print("Input IDs:", input_ids)

输出

Tokens: ['i', 'love', 'nlp', '.']
Input IDs: [1045, 2293, 17953, 1012]

大模型不同tokenizer训练效果对比

原文链接：https://zhuanlan.zhihu.com/p/717829515

训练大语言模型之前除了数据收集，还有一个重要的事情是tokenizer的选择，是选择开源的？还是自己根据自己的数据训练一个比较好?

分词器库选择

在这里插入图片描述

当前顶尖大模型所采用的 Tokenizer 方法与词典大小

原文链接：https://fisherdaddy.com/posts/introduce-llm-tokenizer/

在这里插入图片描述

闭源模型的具体分词细节往往属于商业机密，传闻deepseek的分词器也没有开源，有懂的小伙伴可以评论区留言- -~。

参考

分词器（Tokenizer）详解
参考URL: https://zhuanlan.zhihu.com/p/770595538
Huggingface详细教程之Tokenizer库
参考URL: https://zhuanlan.zhihu.com/p/591335566