1. Tokenizzazione

Reading time: 4 minutes

Tokenizzazione

Tokenizzazione è il processo di suddivisione dei dati, come il testo, in pezzi più piccoli e gestibili chiamati token. Ogni token viene quindi assegnato a un identificatore numerico unico (ID). Questo è un passaggio fondamentale nella preparazione del testo per l'elaborazione da parte dei modelli di machine learning, specialmente nel natural language processing (NLP).

tip

L'obiettivo di questa fase iniziale è molto semplice: Dividere l'input in token (ids) in un modo che abbia senso.

Come Funziona la Tokenizzazione

  1. Suddivisione del Testo:
  • Tokenizzatore di Base: Un tokenizzatore semplice potrebbe suddividere il testo in parole e segni di punteggiatura individuali, rimuovendo gli spazi.
  • Esempio:
    Testo: "Ciao, mondo!"
    Token: ["Ciao", ",", "mondo", "!"]
  1. Creazione di un Vocabolario:
  • Per convertire i token in ID numerici, viene creato un vocabolario. Questo vocabolario elenca tutti i token unici (parole e simboli) e assegna a ciascuno un ID specifico.
  • Token Speciali: Questi sono simboli speciali aggiunti al vocabolario per gestire vari scenari:
  • [BOS] (Inizio Sequenza): Indica l'inizio di un testo.
  • [EOS] (Fine Sequenza): Indica la fine di un testo.
  • [PAD] (Padding): Usato per rendere tutte le sequenze in un batch della stessa lunghezza.
  • [UNK] (Sconosciuto): Rappresenta token che non sono nel vocabolario.
  • Esempio:
    Se "Ciao" è assegnato ID 64, "," è 455, "mondo" è 78, e "!" è 467, allora:
    "Ciao, mondo!" → [64, 455, 78, 467]
  • Gestione delle Parole Sconosciute:
    Se una parola come "Addio" non è nel vocabolario, viene sostituita con [UNK].
    "Addio, mondo!" → ["[UNK]", ",", "mondo", "!"] → [987, 455, 78, 467]
    (Assumendo che [UNK] abbia ID 987)

Metodi di Tokenizzazione Avanzati

Mentre il tokenizzatore di base funziona bene per testi semplici, ha limitazioni, specialmente con vocabolari ampi e nella gestione di parole nuove o rare. I metodi di tokenizzazione avanzati affrontano questi problemi suddividendo il testo in sottounità più piccole o ottimizzando il processo di tokenizzazione.

  1. Byte Pair Encoding (BPE):
  • Scopo: Riduce la dimensione del vocabolario e gestisce parole rare o sconosciute suddividendole in coppie di byte frequentemente occorrenti.
  • Come Funziona:
  • Inizia con caratteri individuali come token.
  • Unisce iterativamente le coppie di token più frequenti in un singolo token.
  • Continua fino a quando non ci sono più coppie frequenti da unire.
  • Vantaggi:
  • Elimina la necessità di un token [UNK] poiché tutte le parole possono essere rappresentate combinando token di sottoparola esistenti.
  • Vocabolario più efficiente e flessibile.
  • Esempio:
    "giocando" potrebbe essere tokenizzato come ["gioca", "ndo"] se "gioca" e "ndo" sono sottoparole frequenti.
  1. WordPiece:
  • Usato Da: Modelli come BERT.
  • Scopo: Simile a BPE, suddivide le parole in unità di sottoparola per gestire parole sconosciute e ridurre la dimensione del vocabolario.
  • Come Funziona:
  • Inizia con un vocabolario di base di caratteri individuali.
  • Aggiunge iterativamente la sottoparola più frequente che massimizza la probabilità dei dati di addestramento.
  • Utilizza un modello probabilistico per decidere quali sottoparole unire.
  • Vantaggi:
  • Bilancia tra avere una dimensione del vocabolario gestibile e rappresentare efficacemente le parole.
  • Gestisce in modo efficiente parole rare e composte.
  • Esempio:
    "infelicità" potrebbe essere tokenizzato come ["in", "felicità"] o ["in", "felice", "tà"] a seconda del vocabolario.
  1. Unigram Language Model:
  • Usato Da: Modelli come SentencePiece.
  • Scopo: Utilizza un modello probabilistico per determinare il set di token di sottoparola più probabile.
  • Come Funziona:
  • Inizia con un ampio set di token potenziali.
  • Rimuove iterativamente i token che migliorano meno la probabilità del modello sui dati di addestramento.
  • Finalizza un vocabolario in cui ogni parola è rappresentata dalle unità di sottoparola più probabili.
  • Vantaggi:
  • Flessibile e può modellare il linguaggio in modo più naturale.
  • Risultati spesso in tokenizzazioni più efficienti e compatte.
  • Esempio:
    "internazionalizzazione" potrebbe essere tokenizzato in sottoparole più piccole e significative come ["internazionale", "izzazione"].

Esempio di Codice

Comprendiamo meglio questo attraverso un esempio di codice da https://github.com/rasbt/LLMs-from-scratch/blob/main/ch02/01_main-chapter-code/ch02.ipynb:

python
# Download a text to pre-train the model
import urllib.request
url = ("https://raw.githubusercontent.com/rasbt/LLMs-from-scratch/main/ch02/01_main-chapter-code/the-verdict.txt")
file_path = "the-verdict.txt"
urllib.request.urlretrieve(url, file_path)

with open("the-verdict.txt", "r", encoding="utf-8") as f:
raw_text = f.read()

# Tokenize the code using GPT2 tokenizer version
import tiktoken
token_ids = tiktoken.get_encoding("gpt2").encode(txt, allowed_special={"[EOS]"}) # Allow the user of the tag "[EOS]"

# Print first 50 tokens
print(token_ids[:50])
#[40, 367, 2885, 1464, 1807, 3619, 402, 271, 10899, 2138, 257, 7026, 15632, 438, 2016, 257, 922, 5891, 1576, 438, 568, 340, 373, 645, 1049, 5975, 284, 502, 284, 3285, 326, 11, 287, 262, 6001, 286, 465, 13476, 11, 339, 550, 5710, 465, 12036, 11, 6405, 257, 5527, 27075, 11]

Riferimenti