BPE (Byte-Pair Encoding) Tokenization

遇到看不明白的地方，欢迎在评论中留言呐，一起讨论，一起进步！


本文参考： P24 台大资讯 2023秋季 深度学习之应用 ｜ADL 5.1：BPE (Byte-Pair Encoding) Tokenization

一、Tokenization 的概念

Tokenization 即将每个单词进行切分成小的单元。

我们其实也可以直接将每个单词作为一个单元来进行后续的训练，但是这样当我们处理新单词的时候就没有办法给出一个合适的表示，可能许多没有见过的所有的字都公用同一个表示。

然而，作为真人的我们第一次看到生词的时候，并不是对它一无所知的，我们可以通过生词的组成来进行猜测意思。

所以我们并不以单词作为一个 token，而是将单词进一步切分，即进行Tokenization。

Tokenization 可以通过多种方式来实现，BPE (Byte-Pair Encoding) 就是其中一种，这种方式比较简单而且非常流行，现在各式各样的预训练模型、基于 Transformer 模型等等都应用了 BPE 方法。

二、BPE 的概念

将单词进行切分，那切分到什么程度合适呢？如果切分单元为字母，这样不存在没有见过的字母，而且整个字母表容量也很小，但是这样一来多个字母形成的语义就难以被建模。

子词（Subword，parts of words）在单词与字母之间进行了折中，这种方式也是一个主流的方法。BPE 就是用了这样的方法来定义子词的词表，将一些常出现的连续的子词放到词表中。

三、BPE 的步骤

假设我们的训练数据如下：

• step 1：初始化词表
  将训练语料库中的所有字符（包括单词结束符号）作为初始词汇表的元素。
  

• step 2：统计词频
  对于给定的文本数据集，统计每个字符对（两个连续字符的组合）的出现频率。
  

• step 3：合并最频繁的字符对
  从所有字符对中选择出现频率最高的一对。将选定的字符对视为一个单独的词元（token），并将其添加到词汇表中。
  

• step 4：更新词频统计
  将文本数据集中的所有实例中的选定字符对替换为新创建的词元，从 step 2 进行重复，直到达到预定的词汇表大小或无法进一步合并字符对。
  
  
  
  
  ……

最终生成的词汇表包含了所有 token，包括原始的字符和合并后的 token。

如果我们要处理一个没有见过的单词 lowest，通过以上规则我们会将这个单词分为 low 和 est</w> 两个部分。

如果我们要处理一个没有见过的单词 powest，通过以上规则我们会将这个单词分为 <unk>、o、w 和 est</w> 四个部分。其中 p 在词表中并没有出现，因此我们这里表示为 <unk>。