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: 50257个kv-pair. https://huggingface.co/gpt2/resolve/main/vocab.json
• 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

fairseq = 官方

• vocab.bpe：50001行

• encoder.json: 50257个kv-pair

• dict.txt: 50260行 是纯数字的，是由fairseq-preprocess生成的 https://github.com/pytorch/fairseq/issues/1186

• https://dl.fbaipublicfiles.com/fairseq/gpt2_bpe/encoder.json

• https://dl.fbaipublicfiles.com/fairseq/gpt2_bpe/vocab.bpe

• https://dl.fbaipublicfiles.com/fairseq/gpt2_bpe/dict.txt

相关疑问

Ġ是什么

It's a feature of byte-level BPE(an encoded space character). Ġ 表示空格，有的版本用Ä代替Ġ。

What's up with the tokenizer?
# BPE后
['What', "'s", 'Ġup', 'Ġwith', 'Ġthe', 'Ġtoken', 'izer', '?']
# 经过vocab.json编码后
[ 2061,   338,  510,    351,    262,    11241,    7509,   30]
# 经过dict.txt编码后（fairseq特有）
[           其他数字                                         ]

疑问：up会加Ġ，为什么what不加Ġ

• https://github.com/pytorch/fairseq/issues/1716
• https://github.com/huggingface/transformers/issues/1083