【Python】科研代码学习:十五 tokenizer的代码细节:Llama_Tokenization 为例
前言 `LlamaConfig`:网络参数配置 `LlamaTokenizer`:分词工具前言
对于HF
的 Transformers
库的经典 API
以及大致架构我们都从前面已经学习的差不多了【动机】那还剩下几个小问题,就是:
Tokenizer
和 Specific Model
的运作原理是什么?我如何查看与修改模型的架构?前向与反向传播过程?损失计算?激活函数?
这些模型层面的内容,如何学习与具体操作? 这里,建议是 【Github:Transformers/model/llama】 查看自己使用的模型,并学习其中
tokenization
,config
与 modeling
三个最重要的类
LlamaConfig
:网络参数配置
首先看定义类的地方,我们之前已经学习过了,SpecificConfig
都是从 PretrainedConfig
继承过来的
class LlamaConfig(PretrainedConfig):
然后看一下解释文档,这里设置了一些比较重要的配置参数,主要是设置神经网络的大小和编码的一些参数。vocab_size
:词汇表大小,默认 32000
hidden_size
:隐藏层维度(即每一层的神经元个数),默认 4096
num_hidden_layers
:隐藏层层数,默认 32
intermediate_size
:MLP
层的层数,默认 11008
num_attention_head
:每一个注意力层的注意力头的个数,默认 32
hidden_act
:非线性层的激活函数,默认为 silu
max_position_embeddings
:最大位置编码(也就是输入到的序列长度),用于位置编码initializer_range
:truncated_normal_initializer
初始化方法的 std dev
不同的
config
他们的参数可能不相同。
Args:
vocab_size (`int`, *optional*, defaults to 32000):
Vocabulary size of the LLaMA model. Defines the number of different tokens that can be represented by the
`inputs_ids` passed when calling [`LlamaModel`]
hidden_size (`int`, *optional*, defaults to 4096):
Dimension of the hidden representations.
intermediate_size (`int`, *optional*, defaults to 11008):
Dimension of the MLP representations.
num_hidden_layers (`int`, *optional*, defaults to 32):
Number of hidden layers in the Transformer encoder.
num_attention_heads (`int`, *optional*, defaults to 32):
Number of attention heads for each attention layer in the Transformer encoder.
hidden_act (`str` or `function`, *optional*, defaults to `"silu"`):
The non-linear activation function (function or string) in the decoder.
max_position_embeddings (`int`, *optional*, defaults to 2048):
The maximum sequence length that this model might ever be used with. Typically set this to something large
just in case (e.g., 512 or 1024 or 2048).
initializer_range (`float`, *optional*, defaults to 0.02):
The standard deviation of the truncated_normal_initializer for initializing all weight matrices.
rms_norm_eps (`float`, *optional*, defaults to 1e-12):
The epsilon used by the rms normalization layers.
use_cache (`bool`, *optional*, defaults to `True`):
Whether or not the model should return the last key/values attentions (not used by all models). Only
relevant if `config.is_decoder=True`.
tie_word_embeddings(`bool`, *optional*, defaults to `False`):
Whether to tie weight embeddings
Example:
```python
>>> from transformers import LlamaModel, LlamaConfig
>>> # Initializing a LLaMA llama-7b style configuration
>>> configuration = LlamaConfig()
>>> # Initializing a model from the llama-7b style configuration
>>> model = LlamaModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
```"""
在代码中,它除了设置这些参数外,还做了几个额外的事情:设置
model_type = "llama"
设置几个特殊的
token_id
pad_token_id=0
bos_token_id=1
eos_token_id=2
LlamaTokenizer
:分词工具
LlamaTokenizer
自然也是继承自 PretrainedTokenizer
第一件事情,设置 词汇表文件和 tokenizer文件
设置位置编码的大小
设置模型的输入名称,分为
input_ids
和注意力遮罩 attention_mask
VOCAB_FILES_NAMES = {"vocab_file": "tokenizer.model"}
PRETRAINED_VOCAB_FILES_MAP = {
"vocab_file": {
"hf-internal-testing/llama-tokenizer": "https://huggingface.co/hf-internal-testing/llama-tokenizer/resolve/main/tokenizer.model",
},
"tokenizer_file": {
"hf-internal-testing/llama-tokenizer": "https://huggingface.co/hf-internal-testing/llama-tokenizer/resolve/main/tokenizer_config.json",
},
}
PRETRAINED_POSITIONAL_EMBEDDINGS_SIZES = {
"hf-internal-testing/llama-tokenizer": 2048,
}
class LlamaTokenizer(PreTrainedTokenizer):
"""
Construct a Llama tokenizer. Based on byte-level Byte-Pair-Encoding.
Args:
vocab_file (`str`):
Path to the vocabulary file.
"""
vocab_files_names = VOCAB_FILES_NAMES
pretrained_vocab_files_map = PRETRAINED_VOCAB_FILES_MAP
max_model_input_sizes = PRETRAINED_POSITIONAL_EMBEDDINGS_SIZES
model_input_names = ["input_ids", "attention_mask"]
第二步,在 init
方法中加载一些参数,并且添加了 bos, eos, unk, pad
tokens添加了分词工具,使用的是
sentencepiece .SentencePieceProcessor
;并加载了对应的词汇表文件
bos_token = AddedToken(bos_token, lstrip=False, rstrip=False) if isinstance(bos_token, str) else bos_token
eos_token = AddedToken(eos_token, lstrip=False, rstrip=False) if isinstance(eos_token, str) else eos_token
unk_token = AddedToken(unk_token, lstrip=False, rstrip=False) if isinstance(unk_token, str) else unk_token
pad_token = AddedToken(pad_token, lstrip=False, rstrip=False) if isinstance(pad_token, str) else pad_token
self.sp_model_kwargs = {} if sp_model_kwargs is None else sp_model_kwargs
self.sp_model = spm.SentencePieceProcessor(**self.sp_model_kwargs)
self.sp_model.Load(vocab_file)
它提供了一些简单的 get, set, convert
等方法比如可以获得词汇大小
vocab_size
,可以 get_vocab
获得所有词汇调用
convert_tokens_to_string(tokens)
可以把输入的 tokens 转成对应的字符串文本调用
_tokenize(text)
可以把输入的文本进行分词调用
_convert_token_to_id
可以把一个 token(str) 转成一个 id调用
_convert_id_to_token
可以把一个 id 转成一个 token(str)
@property
def vocab_size(self):
"""Returns vocab size"""
return self.sp_model.get_piece_size()
def get_vocab(self):
"""Returns vocab as a dict"""
vocab = {self.convert_ids_to_tokens(i): i for i in range(self.vocab_size)}
vocab.update(self.added_tokens_encoder)
return vocab
发现好多这些都是单下划线开头的方法,表示是形式上是私有方法。※ 所以我们只要知道该类可以做:
输入的字符串
(str)
,进行分词成 tokens (List[str])
然后对
tokens
进行转成对应的 ids (List[int])
也可以反过来,把
ids (List[int])
还原成原来的 tokens (List[str])
也可以反过来,把
tokens (List[str])
还原成原来的字符串 str