BytePiece: 更纯粹、更高压缩率的Tokenizer

BytePiece简介

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:

1. 纯Python实现,代码易读易扩展
2. 采用新的训练算法,压缩率通常比现有Tokenizer更高
3. 支持多进程加速训练
4. 直接操作UTF-8字节,几乎不进行任何预处理,更加纯粹和语言无关

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的核心原理

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:

1. 使用BNLM从原始文本中挖掘出候选词片段
2. 使用EM算法迭代优化词表

这种新的训练方案是BytePiece能够获得更高压缩率的关键所在。

BytePiece的主要特性

1. 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。

2. 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。

3. 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。

4. 纯Python实现: 代码易读易扩展,方便研究和二次开发。

5. 高效随机分词: 提供比Subword Regularization更高效的随机分词算法。

6. 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的安装与使用

安装

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

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6
• max_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

使用Tokenizer

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

BytePiece与SentencePiece的对比

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:

1. BytePiece在压缩率上普遍优于SentencePiece。
2. 在大数据量上,BytePiece的训练时间和内存占用明显优于SP-BPE。
3. BytePiece的分词速度在长文本上优于SP-BPE,但短文本上略逊。

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的应用前景

BytePiece作为一种新型的Tokenizer,在以下场景中具有很好的应用前景:

1. 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。

2. 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。

3. 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。

4. 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。

5. 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。

总结

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。