LLMs之BELLE：源码解读(merge_tokenizers.py文件)扩充词表—训练和合并两个不同的SentencePiece分词模型—使用SentencePiece库来训练一个名为belle的

使用SentencePiece合并与训练BPE分词器：BELLE模型

一个处女座的程序猿

已于 2024-10-25 01:08:06 修改

阅读量1.1k

点赞数 3

CC 4.0 BY-SA版权

分类专栏： NLP/LLMs 资深文章(前沿/经验/创新) 文章标签：大语言模型大模型 embedding

于 2023-10-10 00:18:05 首次发布

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_41185868/article/details/133722861

资深文章(前沿/经验/创新) 同时被 2 个专栏收录

133 篇文章 ¥299.90 ¥399.90

订阅专栏

855 篇文章

订阅专栏

这篇博客介绍了如何通过merge_tokenizers.py源码，使用SentencePiece库训练一个名为belle的BPE分词器，词表大小25000，覆盖率99.95%，并合并两个现有分词器的词汇表，最后保存为新的分词器模型。

LLMs之BELLE：源码解读(merge_tokenizers.py文件)扩充词表—训练和合并两个不同的SentencePiece分词模型—使用SentencePiece库来训练一个名为belle的BPE分词器→加载两个现有的分词器模型→for循环对比去重的方式合并词汇表→保存合并后的新分词器模型

目录

源码解读(merge_tokenizers.py文件)扩充词表—训练和合并两个不同的SentencePiece分词模型—使用SentencePiece库来训练一个名为belle的BPE分词器→加载两个现有的分词器模型→for循环对比去重的方式合并词汇表→保存合并后的模型作为新的分词器模型

# 1、使用SentencePiece库来训练一个名为belle的BPE分词器：词表大小为25000,覆盖率为99.95%。

# 2、加载两个现有的分词器模型文件orig_model和belle_model

# 3、for循环对比去重的方式合并词汇表：将belle_model中的词汇表融合到orig_model中

# 4、保存合并后的模型：将融合后的orig_model序列化并保存到文件中,作为新的分词器模型

了解本专栏

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

一个处女座的程序猿 你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。