token:Token 可以被理解为文本中的最小单位。在英文中,一个 token 可以是一个单词,也可以是一个标点符号。在中文中,通常以字或词作为 token。ChatGPT 将输入文本拆分成一个个 token,使模型能够对其进行处理和理解
tokenlization:将文本转化为token的过程
embedding
:一个用来表示token的稠密的向量。token本身不可计算,需要将其映射到一个连续向量空间,才可以进行后续运算,这个映射的结果就是该token对应的embedding。
encoding
:表示编码的过程。将一个句子,浓缩成为一个稠密向量,也称为表征,(representation),这个向量可以用于后续计算,用来表示该句子在连续向量空间中的一个点。理想的encoding能使语义相似的句子被映射到相近的空间。
“encoding”(编码)通常指的是将输入数据转换为低维度、紧凑表示的过程。这种编码通常用于降维、特征提取、特征表示等任务,旨在从高维度的输入数据中提取有用的特征,并将其转换为更简洁、更可表达的形式
tokens --> vectore :通过word-embedding或one hot编码
word-embedding: 词嵌入的目标是将文本中的单词表示成一组连续的向量,使得具有相似语义的单词在向量空间中的距离较近,而语义不相似的单词在向量空间中的距离较远。
常用词嵌入方法:word2vec,GloVe(Global Vectors for Word Representation)
one hot:就是最简单的0-1映射
beam search :如何通俗的理解beam search? - 知乎 (zhihu.com)