vocab/gpt2/README.md

# 背景知识

GPT2采用的byte-level BPE，BERT采用的char-level BPE。


- BPE on unicode sequence
- BPE on UTF-8 byte sequence
-  

来自 https://huggingface.co/gpt2/tree/main

### BPE的问题


- 直接BPE，会出现 dog.  dog! 等合并成一个词。

byte-level BPE

- bpe会把空格拼接到后一个词上，比如 bpe.decode(bpes[1:2]) = ' world'，在NER任务上是不是算把空格也标注进去了？
- bpe会把 'world'和' world'视为两个完全不同的token，不好吧？
- 大小写：


### 怎样解决



### GPT2的



# 下载

### 官方

### huggingface = 官方

- [vocab.json](https://huggingface.co/gpt2-large/resolve/main/vocab.json): 50257个kv-pair. https://huggingface.co/gpt2/resolve/main/vocab.json
- [merges.txt](https://huggingface.co/gpt2-large/resolve/main/merges.txt): 50001行，https://huggingface.co/gpt2/resolve/main/merges.txt
  - merges.txts是否包含所有的组合？https://github.com/huggingface/transformers/issues/4777
- [tokenizer.json](https://huggingface.co/openai-community/gpt2-large/blob/main/tokenizer.json) 
  - 这个是给

词典加载 https://github.com/huggingface/transformers/blob/main/src/transformers/models/gpt2/tokenization_gpt2.py

### fairseq = 官方

- [vocab.bpe](https://dl.fbaipublicfiles.com/fairseq/gpt2_bpe/vocab.bpe)：50001行
  - 等于 hf的 `merges.txt`
- [encoder.json](https://dl.fbaipublicfiles.com/fairseq/gpt2_bpe/encoder.json): 50257个kv-pair  
  - 等于 hf的 `vocab.json`
- [dict.txt](https://dl.fbaipublicfiles.com/fairseq/gpt2_bpe/dict.txt): 50260行  这是词频，是由fairseq-preprocess生成的  https://github.com/pytorch/fairseq/issues/1186


词典加载 https://github.com/huggingface/transformers/blob/main/src/transformers/models/gpt2/tokenization_gpt2.py