OpenAI开源GPT-2的子词标记化神器——tiktoken，一个超级快的（Byte Pair Encoder，BPE）字节对编码Python库

加载中...

OpenAI在其官方GitHub上公开了一个最新的开源Python库：tiktoken，这个库主要是用力做字节对编码的。相比较HuggingFace的tokenizer，其速度提升了好几倍。

BPE简介

字节编码对（Byte Pair Encoder，BPE）是一种子词处理的方法。其主要的目的是为了压缩文本数据。主要是将数据中最常连续出现的字节（bytes）替换成数据中没有出现的字节的方法。该算法首先由Philip Gage在1994年提出。

关于BPE的详细介绍请参考：自然语言处理中常见的字节编码对（Byte-Pair Encoding，BPE）算法简介

其它一些流行的子词标记化算法包括WordPiece、Unigram和SentencePiece。而BPE用于GPT-2、RoBERTa、XLM、FlauBERT等语言模型中。这些模型中有几个使用空间标记化作为预标记化方法，而有几个使用Moses, spaCY, ftfy提供的更高级的预标记化方法。

tiktoken简介

前天，OpenAI开源了GPT-2中使用的BPE算法tiktoken，并以Python库的形式开源。官方宣称该库做BPE比HuggingFace的tokenizer快好几倍，其对比如下：

可以看到，在不同线程数下面，tiktoken处理速度都比HuggingFace快多了，各种条件下都比tokenizer快3-6倍。

上述对比是处理1GB数据的结果。

tiktoken使用

tiktoken使用方法也很简单。示例代码如下：

import tiktoken
enc = tiktoken.get_encoding("gpt2")

# 字节对编码过程，我的输出是[31373, 995]
encoding_res = enc.encode("hello world")
print(encoding_res)

# 字节对解码过程，解码结果：hello world
raw_text = enc.decode(encoding_res)
print(raw_text)

如下图所示：