【机器学习】ChatGLM2-6B 分词器 Tokenizer 的使用

目录

一、什么是分词器？

二、分词器的功能

2.1 分词器加载

2.2 分词

2.3 编码

2.4 解码

---

本文主要以 ChatGLM2-6B 模型为基础，介绍分词器的使用，ChatGLM2-6B 的部署可以参考ChatGLM2-6B 部署。

一、什么是分词器？

分词器（Tokenizer）是一种将文本拆分成一系列词汇（Token）的工具。 在 NLP 中，Token 可以是一个单词、一个标点符号或者一个子词。

因为大模型只能识别数字，不能识别英文单词或者汉语的表示，所以需要将其转换为数字表示，通过唯一的 ID 表示一个词，这样就可以通过 ID 来唯一标识一个词。分词器首先将连续的文本切分成离散的词（Token），然后，为每个词分配一个唯一的标识符（ID），分词器可以实现编码和解析，类似于加解密算法。

二、分词器的功能

2.1 分词器加载

在使用分词器之前，需要先将分析器加载到内存。在 Transformer 框架中，分词器（Tokenizer）的加载主要依赖于 AutoTokenizer