File size: 7,958 Bytes
85e396d |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 |
from functools import lru_cache
@lru_cache()
def bytes_to_unicode_dict():
"""
Returns list of utf-8 byte and a mapping to unicode strings. We specifically avoids mapping to whitespace/control
characters the bpe code barfs on.
The reversible bpe codes work on unicode strings. This means you need a large # of unicode characters in your vocab
if you want to avoid UNKs. When you're at something like a 10B token dataset you end up needing around 5K for
decent coverage. This is a significant percentage of your normal, say, 32K bpe vocab. To avoid that, we want lookup
tables between utf-8 bytes and unicode strings.
"""
bs = (
list(range(ord("!"), ord("~") + 1)) + list(range(ord("¡"), ord("¬") + 1)) + list(range(ord("®"), ord("ÿ") + 1))
)
cs = bs[:]
n = 0
for b in range(2 ** 8):
if b not in bs:
bs.append(b)
cs.append(2 ** 8 + n)
n += 1
cs = [chr(n) for n in cs]
return dict(zip(cs, bs))
ORD_UNICODE_MAP = bytes_to_unicode_dict()
@lru_cache()
def byte_to_char(bytestr):
return bytearray([ORD_UNICODE_MAP[c] for c in bytestr]).decode("utf-8", errors="replace")
# @lru_cache()
def bytetokens_to_unicdode(byte_tokens: list):
return [byte_to_char(token) for token in byte_tokens]
if __name__ == '__main__':
tokens = ['<s>',
'ì¹´ì¹´ìĺ¤',
'ìĹĶ',
'íĦ°',
'íĶĦëĿ¼ìĿ´',
'ì¦Ī',
'(',
'ëĮĢíijľ',
'Ġë°±',
'ìĥģ',
'ìĹ½',
')',
'ê°Ģ',
'Ġìĺ¬íķ´',
'Ġ8',
'ìĽĶ',
'Ġ기ì¤Ģ',
'Ġëĭ¤ìĪĺ',
'Ġê¶Į',
'ìľĦ',
'ĠìŀĪëĬĶ',
'Ġê¸Ģë¡ľë²Į',
'ĠíķĻ',
'íļĮìĹIJìĦľ',
'Ġì´Ŀ',
'Ġ16',
'ê±´',
'ìĿĺ',
'ĠìĿ¸ê³µ',
'ì§Ģ',
'ëĬ¥',
'(',
'A',
'I',
')',
'Ġëħ¼ë¬¸',
'ìĿĦ',
'Ġëĵ±',
'ìŀ¬',
'íĸĪëĭ¤ê³ł',
'Ġ9',
'ìĿ¼',
'Ġë°ĿíĺĶ',
'ëĭ¤',
'.',
'Ġì§ĢëĤľíķ´',
'Ġëĵ±',
'ìŀ¬',
'íķľ',
'Ġ13',
'ê±´ë',
'³´ëĭ¤',
'Ġ3',
'ê±´',
'Ġë§İìĿĢ',
'Ġëħ¼ë¬¸',
'ìĿ´',
'Ġë°ĺ',
'ëħĦ',
'ìŬ',
'Ġë§ĮìĹIJ',
'Ġì±Ħ',
'íĥĿ',
'ëIJIJëĭ¤',
'.',
'Ġì¹´ì¹´ìĺ¤',
'ìĹĶ',
'íĦ°',
'íĶĦëĿ¼ìĿ´',
'ì¦Ī',
'(',
'ìĿ´',
'íķĺ',
'Ġì¹´ì¹´ìĺ¤',
'ìĹĶ',
'íĦ°',
')',
'ëĬĶ',
'ĠA',
'I',
'ĠìĹ°êµ¬',
'ĠìĦ±',
'과를',
'ĠìĿ´',
'ìĸ´ê°Ģ',
'기',
'ĠìľĦíķ´',
'ĠìĿ¸ìŀ¬',
'ĠíĻķë³´',
'ìĹIJ',
'ĠìĨį',
'ëıĦ를',
'ĠëĨĴìĿ´',
'ê²łëĭ¤ëĬĶ',
'Ġë°©',
'침',
'ìĿ´ëĭ¤',
'.',
'Ċ',
'Ċ',
'ì¹´ì¹´ìĺ¤',
'ìĹĶ',
'íĦ°',
'ëĬĶ',
'Ġ8',
'ìĽĶ',
'ĠìŀIJìĹ°',
'ìĸ´',
'ì²ĺ리',
'Ġë¶Ħìķ¼',
'ìĿĺ',
'Ġê¸Ģë¡ľë²Į',
'Ġíĥij',
'ĠíķĻ',
'íļĮ',
'ìĿ¸',
"Ġ'",
'A',
'C',
'L',
'-',
'I',
'J',
'C',
'N',
'L',
'P',
"'",
'ìĹIJ',
'Ġëħ¼ë¬¸',
'ìĿĦ',
'Ġë°ľíijľ',
'íķľ',
'ĠìĤ¬ë¡Ģ',
'ê¹Įì§Ģ',
'Ġíķ©',
'íķ´',
'Ġìĺ¬íķ´',
'Ġì´Ŀ',
'Ġ16',
'ê±´',
'ìĿĺ',
'ĠA',
'I',
'Ġëħ¼ë¬¸',
'ìĿĦ',
'Ġëĵ±',
'ìŀ¬',
'íĸĪëĭ¤ê³ł',
'Ġë°ĿíĺĶ',
'ëĭ¤',
'.',
'ĠìĿ´',
'Ġëħ¼ë¬¸',
'ìĿĢ',
'ĠìĿ¸ëıĦ',
'ë©Ķ',
'ìĿ¸',
'(',
'in',
'-',
'd',
'om',
'a',
'in',
')',
'Ġìĥĺ',
'íĶĮ',
'ìĿĦ',
'ĠìĤ¬ìļ©',
'íķ´',
'ĠìŀIJìĹ°',
'ìĸ´',
'Ġ공격',
'Ġë°©ìĭĿìľ¼ë¡ľ',
'ĠìķĦìĽĥ',
'ìĺ¤',
'ë¸Į',
'ëıĦ',
'ë©Ķ',
'ìĿ¸',
'(',
'out',
'-',
'of',
'-',
'd',
'om',
'a',
'in',
')',
'Ġìĥĺ',
'íĶĮ',
'ìĿĦ',
'ĠìŀIJëıĻ',
'ìľ¼ë¡ľ',
'ĠìĥĿ',
'ìĦ±',
',',
'Ġë¶Ħ',
'ë¥ĺ',
'Ġ모ëį¸',
'ìĿĺ',
'Ġê°IJ',
'ì§Ģ',
'ĠëĬ¥ëł¥ìĿĦ',
'Ġíĸ¥',
'ìĥģ',
'ìĭľíĤ¤ëĬĶ',
'ĠëĤ´ìļ©',
'ìĿĺ',
'Ġëħ¼ë¬¸',
'ìĿ´ëĭ¤',
'.',
'Ċ',
'Ċ',
'7',
'ìĽĶ',
'ìĹIJëĬĶ',
'Ġ머',
'ìĭł',
'룬',
'ëĭĿ',
'ĠíķĻ',
'íļĮ',
"Ġ'",
'I',
'C',
'M',
'L',
"'",
'ìĹIJ',
'Ġíļ¨ìľ¨',
'ìłģìĿ¸',
'Ġê³ł',
'íĴĪ',
'ì§Ī',
'ĠìĿĮ',
'ìĦ±',
'íķ©',
'ìĦ±ìĿ´',
'Ġê°ĢëĬ¥íķľ',
"Ġ'",
'ìĹĶ',
'ëĵľ',
'ĠíĪ¬',
'ĠìĹĶ',
'ëĵľ',
'(',
'en',
'd',
'-',
't',
'o',
'-',
'en',
'd',
')',
"'",
'Ġ모ëį¸',
'ìĿĦ',
'ĠìłľìķĪ',
'íķĺëĬĶ',
'Ġëħ¼ë¬¸',
'ìĿĦ',
'Ġë°ľíijľ',
'íĸĪëĭ¤',
'.',
'Ġ6',
'ìĽĶ',
'ìĹIJëĬĶ',
'ĠìĿĮ',
'íĸ¥',
'·',
'ìĿĮ',
'ìĦ±',
'Ġìĭł',
'íĺ¸',
'ì²ĺ리',
'Ġë¶Ħìķ¼',
'ĠíķĻ',
'ìĪł',
'ëĮĢíļĮ',
"Ġ'",
'I',
'C',
'A',
'S',
'S',
'P',
"'",
'ìĹIJ',
'ĠëĮĢ',
'ê·ľëª¨',
'Ġíħ',
'į',
'ìĬ¤íĬ¸',
'Ġì½Ķ',
'íį¼ìĬ¤',
'(',
'ìĸ¸',
'ìĸ´',
'ĠìĹ°',
'구를',
'ĠìľĦíķ´',
'Ġíħ',
'į',
'ìĬ¤íĬ¸ë¥¼',
'Ġì»´íĵ¨íĦ°',
'ê°Ģ',
'ĠìĿ½ìĿĦ',
'ĠìĪĺ',
'ĠìŀĪëĬĶ',
'Ġíĺķíĥľë¡ľ',
'Ġ모ìķĦ',
'ĠëĨĵìĿĢ',
'Ġìĸ¸ìĸ´',
'ĠìŀIJë£Į',
')',
'Ġìłķë³´',
'ĠíķĻìĬµ',
'ìĹIJ',
'ĠëĮĢíķľ',
'Ġëħ¼ë¬¸',
'Ġ1',
'ê±´ìĿĦ',
'Ġìĭ¤',
'ìĹĪëĭ¤',
'.',
'Ċ',
'</s>']
import time
start = time.time()
for i in range(1000):
result = bytetokens_to_unicdode(tokens)
end = time.time()
print(result)
print(f'time: {end-start}') |