BytePiece是由苏剑林开发的一个新型Tokenizer,它采用基于字节的Unigram分词算法,具有以下主要特点:
BytePiece的设计目标是成为一个理想的Tokenizer,具备无损重构、高压缩率、语言无关、数据驱动和训练友好等特性。相比主流的SentencePiece,BytePiece在某些方面做出了改进和创新。
BytePiece的核心是采用了基于**字节级N-gram语言模型(BNLM)**的新训练方式。这种方法能够获得更高压缩率的词表,同时支持多进程训练,在同等语料下相比SentencePiece的BPE训练有明显的加速效果。
具体来说,BytePiece的训练算法基于N-gram语言模型的新词发现算法,这一算法最早由作者在7年前的博客中提出。此外,BytePiece还提供了比Subword Regularization更高效的随机分词算法。
BytePiece的训练过程分为两个阶段:
这种新的训练方案是BytePiece能够获得更高压缩率的关键所在。
高压缩率: 在相同词表大小下,BytePiece通常能获得比SentencePiece更高的压缩率。
快速训练: 支持多进程训练,在大规模语料上 的训练速度明显快于SentencePiece的BPE算法。
语言无关: 直接操作UTF-8字节,不对文本做任何语言相关的预处理。
纯Python实现: 代码易读易扩展,方便研究和二次开发。
高效随机分词: 提供比Subword Regularization更高效的随机分词算法。
支持流式输入: 训练时支持迭代器输入,无需一次性将所有语料读入内存。
BytePiece只能在Python 3上运行,安装前需要先安装Byte-based版的pyahocorasick:
pip uninstall pyahocorasick AHOCORASICK_BYTES=1 pip install git+https://github.com/WojciechMula/pyahocorasick.git
然后安装BytePiece:
pip install bytepiece==0.6.3
训练Tokenizer只需要引入Trainer
类:
from bytepiece import Trainer trainer = Trainer(order=6, max_vocab_size=100000, min_count=32) trainer.train(corpus(), workers=64, batch_size=1000) trainer.save('bytepiece.model')
主要参数说明:
order
: n-gram语言模型的阶,默认6max_vocab_size
: 词表最大尺寸min_count
: token最低出现频数workers
: 并行训练的进程数batch_size
: 批大小训练完成后,可以这样使用Tokenizer:
from bytepiece import Tokenizer tokenizer = Tokenizer('bytepiece.model') text = '今天天气不错' tokens = tokenizer.tokenize(text) # 返回bytes的list print(b' '.join(tokens).decode(errors='ignore')) # 可视化分词结果 ids = tokenizer.encode(text) # 返回tokens对应的ids print(tokenizer.decode(ids)) # 重新将ids解码为unicode文本
BytePiece还支持随机分词:
tokens = tokenizer.tokenize(text, alpha=0.2) # 随机tokenize
在小数据量和大数据量上,BytePiece与SentencePiece(SP)的BPE和Unigram算法进行了对比测试,结果如下:
小数据量对比:
训练时间↓ | 最大内存占用↓ | 压缩率↑ | 分词速度↑ | |
---|---|---|---|---|
SP-BPE | 55.3分钟 | 5.2GB | 4.80 | 5.47 |
SP-Unigram | 1.6分钟 | 2.5GB | 4.73 | 7.84 |
BytePiece | 6.5分钟 | 4.3GB | 5.05 | 2.50 |
大数据量对比:
训练时间↓ | 最大内存占用↓ | 压缩率(同源)↑ | 压缩率(异源)↑ | 分词速度↑ | |
---|---|---|---|---|---|
SP-BPE | 19.21小时 | 97GB | 4.52 | 4.46 | 1.27 |
SP-Unigram | 2.02小时 | 384GB | 4.51 | 4.48 | 5.55 |
BytePiece | 2.24小时 | 51GB | 5.39 | 4.51 | 1.92 |
从结果可以看出:
这些结果表明,BytePiece在保持高压缩率的同时,还具有良好的训练效率和内存利用率。
BytePiece作为一种新型的Tokenizer,在以下场景中具 有很好的应用前景:
大规模语言模型训练: 高压缩率和快速训练特性使其适合处理海量文本数据。
多语言NLP任务: 语言无关的特性使其能够很好地处理多语言文本。
资源受限环境: 纯Python实现和低内存占用使其适合在资源受限的环境中使用。
NLP研究和教学: 代码易读易扩展的特性有利于深入研究和教学。
实时文本处理: 高效的分词算法使其适用于实时文本处理场景。
BytePiece作为一种新型的Tokenizer,在压缩率、训练效率和语言无关性等方面都表现出了优秀的特性。它的出现为NLP领域提供了一个新的选择,特别是在处理大规模多语言文本数据时,BytePiece可能会带来显著的性能提升。
然而,BytePiece仍然是一个相对新的项目,可能还需要更多的实际应用和测试来验证其在各种场景下的表现。对于研究者和开发者来说,BytePiece无疑是一个值得关注和尝试的工具。
随着自然语言处理技术的不断发展,我们可以期待BytePiece在未来会得到更广泛的应用,并在实践中不断完善和提升其性能。同时,BytePiece的开源性质也为社区贡献和改进提供了机会,相信在开发者的共同努力下,BytePiece会变得更加强大和实用。
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。
全能AI智能助手,随时解答生活与工作的多样问题
问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。
一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
深度推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物 制作、智能语音助手开发等。
AI助力,做PPT更简单!
咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。
选题、配图、成文,一站式创作,让内容运营更高效
讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。
专业的AI公文写作平台,公文写作神器
AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号