1. Tokenização

Reading time: 4 minutes

Tokenização

Tokenização é o processo de dividir dados, como texto, em partes menores e gerenciáveis chamadas tokens. Cada token é então atribuído a um identificador numérico único (ID). Este é um passo fundamental na preparação do texto para processamento por modelos de aprendizado de máquina, especialmente em processamento de linguagem natural (NLP).

tip

O objetivo desta fase inicial é muito simples: Dividir a entrada em tokens (ids) de uma maneira que faça sentido.

Como a Tokenização Funciona

  1. Dividindo o Texto:
  • Tokenizador Básico: Um tokenizador simples pode dividir o texto em palavras individuais e sinais de pontuação, removendo espaços.
  • Exemplo:
    Texto: "Olá, mundo!"
    Tokens: ["Olá", ",", "mundo", "!"]
  1. Criando um Vocabulário:
  • Para converter tokens em IDs numéricos, um vocabulário é criado. Este vocabulário lista todos os tokens únicos (palavras e símbolos) e atribui a cada um um ID específico.
  • Tokens Especiais: Estes são símbolos especiais adicionados ao vocabulário para lidar com vários cenários:
  • [BOS] (Início da Sequência): Indica o início de um texto.
  • [EOS] (Fim da Sequência): Indica o fim de um texto.
  • [PAD] (Preenchimento): Usado para fazer todas as sequências em um lote terem o mesmo comprimento.
  • [UNK] (Desconhecido): Representa tokens que não estão no vocabulário.
  • Exemplo:
    Se "Olá" é atribuído ao ID 64, "," é 455, "mundo" é 78, e "!" é 467, então:
    "Olá, mundo!" → [64, 455, 78, 467]
  • Tratando Palavras Desconhecidas:
    Se uma palavra como "Tchau" não está no vocabulário, ela é substituída por [UNK].
    "Tchau, mundo!" → ["[UNK]", ",", "mundo", "!"] → [987, 455, 78, 467]
    (Assumindo que [UNK] tem ID 987)

Métodos Avançados de Tokenização

Enquanto o tokenizador básico funciona bem para textos simples, ele tem limitações, especialmente com vocabulários grandes e ao lidar com palavras novas ou raras. Métodos avançados de tokenização abordam essas questões dividindo o texto em subunidades menores ou otimizando o processo de tokenização.

  1. Codificação de Par de Bytes (BPE):
  • Propósito: Reduz o tamanho do vocabulário e lida com palavras raras ou desconhecidas, dividindo-as em pares de bytes que ocorrem com frequência.
  • Como Funciona:
  • Começa com caracteres individuais como tokens.
  • Mescla iterativamente os pares de tokens mais frequentes em um único token.
  • Continua até que não haja mais pares frequentes que possam ser mesclados.
  • Benefícios:
  • Elimina a necessidade de um token [UNK], uma vez que todas as palavras podem ser representadas combinando tokens de subpalavras existentes.
  • Vocabulário mais eficiente e flexível.
  • Exemplo:
    "jogando" pode ser tokenizado como ["jogar", "ndo"] se "jogar" e "ndo" forem subpalavras frequentes.
  1. WordPiece:
  • Usado Por: Modelos como BERT.
  • Propósito: Semelhante ao BPE, divide palavras em unidades de subpalavras para lidar com palavras desconhecidas e reduzir o tamanho do vocabulário.
  • Como Funciona:
  • Começa com um vocabulário base de caracteres individuais.
  • Adiciona iterativamente a subpalavra mais frequente que maximiza a probabilidade dos dados de treinamento.
  • Usa um modelo probabilístico para decidir quais subpalavras mesclar.
  • Benefícios:
  • Equilibra entre ter um tamanho de vocabulário gerenciável e representar palavras de forma eficaz.
  • Lida eficientemente com palavras raras e compostas.
  • Exemplo:
    "infelicidade" pode ser tokenizado como ["in", "felicidade"] ou ["in", "feliz", "dade"] dependendo do vocabulário.
  1. Modelo de Linguagem Unigram:
  • Usado Por: Modelos como SentencePiece.
  • Propósito: Usa um modelo probabilístico para determinar o conjunto mais provável de tokens de subpalavras.
  • Como Funciona:
  • Começa com um grande conjunto de tokens potenciais.
  • Remove iterativamente tokens que menos melhoram a probabilidade do modelo em relação aos dados de treinamento.
  • Finaliza um vocabulário onde cada palavra é representada pelas unidades de subpalavras mais prováveis.
  • Benefícios:
  • Flexível e pode modelar a linguagem de forma mais natural.
  • Muitas vezes resulta em tokenizações mais eficientes e compactas.
  • Exemplo:
    "internacionalização" pode ser tokenizado em subpalavras menores e significativas como ["internacional", "ização"].

Exemplo de Código

Vamos entender isso melhor a partir de um exemplo de código de 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]

Referências