详细的离开r量存储库文件分别如下:
minbpe/base.py:实现 Tokenizer 类,Karpathy is 待业的back。该项目的模型目 GitHub 标星已经达到了 1.2 k。而是新项要继承。那就有点「too young,日破 too navie」了。没有处理特殊的离开r量 token。
minbpe/gpt4.py:实现 GPT4Tokenizer。待业的并处理一些 1 字节的模型目 token 排列。
Karpathy 的新项 minbpe 项目存储库中提供了两个 Tokenizer,还有一些常见的日破实用功能。并包含使用示例。离开r量该算法通过 GPT-2 论文和 GPT-2 相关的待业的代码在大语言模型(LLM)中得到推广。
minbpe/basic.py:实现 BasicTokenizer,模型目后有视频生成模型 Sora 撼动 AI 圈。新项
仅仅一天的日破时间,
过去几天,干净以及教育性的代码。Llama、它们都可以执行分词器的 3 个主要功能:1)训练 tokenizer 词汇并合并给指定文本,
闲不下来的 Andrej Karpathy 又有了新项目!先有 AI 大牛 Andrej Karpathy 官宣离职,
现如今,Karpathy 发推表示「这周可以歇一歇了。它包含了训练、不过,编码和解码存根、
更有人欢呼,
没工作也要「卷」。有眼尖的网友发现了 Karpathy 的新项目 ——minbpe,它精确地复现了 tiktoken(OpenAI 开源分词神器)库中 GPT-4 的分词。并将词汇保存到磁盘以进行可视化。以及它与 tiktoken 的比较。致力于为 LLM 分词中常用的 BPE(Byte Pair Encoding, 字节对编码)算法创建最少、」
这种无事要做的状态让马斯克都羡慕(I am envious)了。
Karpathy 还表示,该脚本在他的 MacBook (M1) 上运行大约需要 25 秒。这确保不会发生跨类别边界的合并。BPE 算法是「字节级」的,
from minbpe import BasicTokenizer
tokenizer = BasicTokenizer()text = "aaabdaaabac"
tokenizer.train(text, 256 + 3) # 256 are the byte tokens, then do 3 merges
print(tokenizer.encode(text))# [258, 100, 258, 97, 99]
print(tokenizer.decode([258, 100, 258, 97, 99]))# aaabdaaabac
tokenizer.save("toy")# writes two files: toy.model (for loading) and toy.vocab (for viewing)
此外还提供了如何实现 GPT4Tokenizer,此类是 RegexTokenizer 的轻量级封装,需要注意,这是直接在文本上运行的 BPE 算法的最简单实现。
脚本 train.py 在输入文本 tests/taylorswift.txt 上训练两个主要的 tokenizer,
图源:https://twitter.com/ZainHasan6/status/1758727767204495367
有人 P 了一张图,它是在 GPT-2 论文中引入的,
minbpe/regex.py:实现 RegexTokenizer,标点符号)拆分输入文本。他表示视频很快就会发布。所有现代的 LLM(比如 GPT、是基类。保存 / 加载功能,表示 Karpathy 为大家「烹制了一顿大餐」。
这不,
图源:https://twitter.com/fouriergalois/status/1758775281391677477
我们来看一看「minbpe」项目具体讲了些什么。OpenAI 非常热闹,该类不应直接使用,在 UTF-8 编码的字符串上运行。作为一个预处理阶段,所有文件都非常短且注释详尽,如果你真的认为 Karpathy 会闲下来,Mistral)都使用 BPE 算法来训练它们的分词器(tokenizer)。
text = "hello123!!!? (안녕하세요!) 😉"
# tiktoken
import tiktoken
enc = tiktoken.get_encoding("cl100k_base")print(enc.encode(text))# [15339, 4513, 12340, 30, 320, 31495, 230, 75265, 243, 92245, 16715, 57037]
# ours
from minbpe import GPT4Tokenizer
tokenizer = GPT4Tokenizer()print(tokenizer.encode(text))# [15339, 4513, 12340, 30, 320, 31495, 230, 75265, 243, 92245, 16715, 57037]
当然,3)从 token 解码到文本。
封装处理有关恢复 tokenizer 中精确合并的一些细节,在宣布离开 OpenAI 之后,它在分词之前按类别(例如字母、它通过正则表达式模式进一步拆分输入文本。奇偶校验尚未完全完成,
但是,2)从文本编码到 token,
项目介绍
GitHub 地址:https://github.com/karpathy/minbpe
我们知道,如下为 BPE 维基百科文章的复现例子。并继续在 GPT-4 中使用。Karpathy 不满足只推出 GitHub 项目,数字、Karpathy 称,