BPE编码Python实现

import re
import collections

def get_vocab(filename):
    vocab = collections.Counter()
    with open(filename, "r", encoding="utf-8") as f:
        for line in f:
            words = line.strip().split()
            for word in words:
                vocab[" ".join(list(word)) + " </w>"] += 1 # 将每个单词分成字符,并在末尾加上</w>
    return vocab

def get_stats(vocab):
    pairs = collections.defaultdict(int)
    for word, freq in vocab.items():
        symbols = word.split()
        for i in range(len(symbols) - 1):
            pairs[symbols[i], symbols[i + 1]] += freq # 统计每对字符的频率
    return pairs

def merge_vocab(pair, v_in):
    v_out = {}
    bigram = re.escape(" ".join(pair))
    p = re.compile(r"(?<!\S)" + bigram + r"(?!\S)") # 匹配目标字符对
    for word in v_in:
        w_out = p.sub("".join(pair), word) # 将目标字符对替换为新字符
        v_out[w_out] = v_in[word]
    return v_out

vocab = get_vocab("test.txt") # test.txt是一个文本文件,包含若干单词
num_merges = 10 # 合并次数
for i in range(num_merges):
    pairs = get_stats(vocab)
    best = max(pairs, key=pairs.get) # 找出频率最高的字符对
    vocab = merge_vocab(best, vocab)
    print(f"Merge {i + 1}: {best}")

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
BPE是字节对编码(Byte Pair Encoding)的缩写。它是一种学习提供的空格分隔文本的词汇和字节对编码的方法。该方法通常在生产用例中使用。可以使用以下命令行代码进行安装和导入: ``` $ python3 -m pip install --user bpe from bpe import Encoder ``` 引用提供了一个示例,并展示了如何使用BPE进行文本编码。 引用展示了如何使用统计词频的方法来获取文本的词汇表。代码会根据空格将文本分割成单词,并统计每个单词出现的次数。 引用则提示我们可以使用基本的BPE代码进行实践,从最基本的数据预处理开始,到最后实现一句话的简单分词。 所以,通过使用Python中的BPE库,我们可以进行字节对编码,并通过统计词频来获取文本的词汇表。这些方法可以帮助我们实现文本的编码和分词任务。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [python-bpePython的字节对编码!](https://download.csdn.net/download/weixin_42166626/15015483)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* *3* [彻底搞懂BPE(Byte Pair Encode)原理(附代码实现)](https://blog.csdn.net/qq_41020633/article/details/123622667)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值