我要投稿

LLM中的Token和Embedding到底是啥？

发布日期：2025-04-16 23:07:34 浏览次数： 1558 作者：AI算法之道

引言

GPT4 Turbo 的上下文长度为 128K 个Tokens。

Claude 2.1 的上下文长度为 200K 个Tokens。

那么问题就来了。。。

上文中的Tokens到底是什么？

我们来看个简单的示例：输入句子 “It’s over 9000!”

我们可以将其表示为 ["It's", "over", "9000!"] 每个数组中的单个元素都可以称为一个Token。

在自然语言处理领域，Token是我们定义的最小分析单位。如何称呼Token取决于大家采用的tokenization的方法；此类方法目前有很多，创建Token基本上是大多数 NLP 任务的第一步。

NLP中Tokenization化的方法

让我们直接通过以下代码示例，来了解一些常用的输入文本Tokenization化的方法。

# Example string for tokenizationexample_string = "It's over 9000!"# Method 1: White Space Tokenization# This method splits the text based on white spaceswhite_space_tokens = example_string.split()# Method 2: WordPunct Tokenization# This method splits the text into words and punctuationfrom nltk.tokenize import WordPunctTokenizerwordpunct_tokenizer = WordPunctTokenizer()wordpunct_tokens = wordpunct_tokenizer.tokenize(example_string)# Method 3: Treebank Word Tokenization# This method uses the standard word tokenization of the Penn Treebankfrom nltk.tokenize import TreebankWordTokenizertreebank_tokenizer = TreebankWordTokenizer()treebank_tokens = treebank_tokenizer.tokenize(example_string)white_space_tokens, wordpunct_tokens, treebank_tokens

上述代码运行后的输出如下：

(["It's", 'over', '9000!'], ['It', "'", 's', 'over', '9000', '!'], ['It', "'s", 'over', '9000', '!'])

上述不同方法都有将句子分解为Token的独特方式。如果大家愿意，可以创建自己的方法，但基本要领是相同的。

那么为什么需要将输入文本进行Tokenization呢？可以归纳为以下原因：

将复杂的文本分解为易于处理的单元。
以更易于分析或操作的格式呈现文本。
适用于特定的语言任务，如句法分析和命名实体识别。
在 NLP 应用中统一预处理文本，并创建结构化的训练数据。

大多数 NLP 系统都会对这些Tokens执行一些操作，以完成特定任务。例如，我们可以设计一个系统来处理一串Tokens并预测下一个Token。我们还可以将Tokens转换为语音表示，作为文本到语音系统的一部分。我们还可以完成许多其他 NLP 任务，如关键词提取、翻译任务等。

‍

如何利用这些Tokens?‍

在上一小节，我们介绍了使用不同方法将文本拆解为Tokens的方法。那么接下来的问题是我们要如何利用好这些Tokens呢？

特征提取：Tokens用于提取输入机器学习模型的特征。特征可能包括Tokens本身、Token的频率、Token在句子中的位置等。例如，在情感分析中，某些Tokens的出现可能会强烈地表明正面或负面的情感。

矢量化：在许多 NLP 任务中，使用词袋（BoW）、TF-IDF（词频-反向文档频率）或词嵌入（如 Word2Vec、GloVe）等技术将词组转换为数字向量。这一过程将文本数据转化为机器学习模型可以理解和处理的数字。
序列建模：在语言建模、机器翻译和文本生成等任务中，Tokens会被用于序列模型，如递归神经网络（RNN）、长短期记忆网络（LSTM）或Transformers。这些模型通过理解上下文和Token出现的可能性来学习预测下一Token序列。
训练模型：在训练阶段，模型会收到Token化后的文本和相应的标签或目标（如分类任务的类别或语言模型的下一个Token）。模型会学习Token与所需输出之间的模式和关联。
上下文理解：BERT 和 GPT 等高级模型使用Tokens来理解上下文，并生成能捕捉特定上下文中单词含义的嵌入。这对于同一个词根据其用法可能具有不同含义的任务来说至关重要。

如果您是新手，请不要担心您刚刚读到的这些关键词。简单来说，我们将文本输入转换成独立的单位，称为 "Tokens"。这样，稍后将它们转换成计算机能理解的 "数字 "就更容易了。

ChatGPT中的Tokens‍

在像 ChatGPT 这样的 LLM 中，Tokens是什么样子的？用于 LLM 的tokenization 方法与用于一般 NLP 任务中的方法不同。

从广义上讲，我们可以称之为 "subword tokenization"，我们创建的tokens不一定是完整的单词，就像我们在基于空格Token化中看到的那样。这正是一个单词不等于一个Token的原因。

当他们说 GPT-4 Turbo 的上下文长度为 128K 个Tokens时，其实并不完全是 128K个单词，而是一个接近的数字。

为什么要使用如此不同和复杂的tokenization方法？

可以归纳为以下原因：

这些Tokens是比完整单词更复杂的语言表征。
它们有助于处理大量词汇，包括罕见和未知词汇。
使用较小的子单元计算效率更高。
它们有助于更好地理解上下文。
它对不同语言的适应性更强，而这些语言可能与英语大相径庭。

字节对编码‍

许多开源模型，如 Meta 的 LLAMA-2 和较早的 GPT 模型，都使用这种字节对编码（Byte-Pair-Encoding）方法的一个版本。在现实应用中，BPE 会对大量文本进行分析，以确定最常见的配对。

让我们用 GPT-2 中的Tokenizer来举一个简单的例子。

from transformers import GPT2Tokenizer# Initialize the tokenizertokenizer = GPT2Tokenizer.from_pretrained("gpt2")text = "It's over 9000!"# Tokenize the texttoken_ids = tokenizer.encode(text, add_special_tokens=True)# Output the token IDsprint("Token IDs:", token_ids)# Convert token IDs back to raw tokens and output themraw_tokens = [tokenizer.decode([token_id]) for token_id in token_ids]print("Raw tokens:", raw_tokens)

输出如下：

Token IDs: [1026, 338, 625, 50138, 0]Raw tokens: ['It', "'s", ' over', ' 9000', '!']

那么什么是 Token ID ? 它为什么会是一个数字呢？

让我们来分析一下这个过程是如何进行的。

建议词汇表

建立词汇表是BPE算法的一部分，操作步骤如下：

从字符开始：词汇表最初由单个字符（如字母和标点符号）组成。
查找常见字符对：对训练数据（大量文本语料）进行扫描，找出出现频率最高的字符对。例如，如果 "th "经常出现，它就会成为候选词汇。
合并和创建新的Tokens：然后将这些常见词对合并，形成新的Token。这个过程反复进行，每次都会识别并合并下一个最常见的词对。词汇量会从单个字符增长到常见配对，并最终增长到更大的结构，如常见单词或词的一部分。
限制词汇表容量：词汇表是有限制的（例如，GPT-2 中的词汇量为 50,000 个）。一旦达到这个限制，处理过程就会停止，从而产生一个固定大小的词汇表，其中包括字符、常见配对和更复杂的Tokens。

分配Token IDs

为每个Token分配对应的Token ID常用方法如下：

编制词汇索引：为最终词汇表中的每个唯一Token分配一个唯一的数字索引或 ID。这种方法很简单，就像在列表或数组中建立索引一样。
Token ID 表示法：在 GPT-2 中，每段文本（如单词或单词的一部分）都用该词汇表中相应Token的 ID 表示。如果一个词不在词汇表中，它就会被分解成词汇表中的小的Tokens。
特殊Tokens：特殊Tokens（如代表文本开头和结尾或未知单词的Token）也会被分配唯一的 ID。

关键的一点是，Tokens ID 的分配不是任意的，而是基于模型所训练的语言数据的出现频率和组合模式。这样，GPT-2 和类似的模型就能使用可管理的、有代表性的Tokens集来有效地处理和生成人类语言。

在这里，词汇表指的是模型可以识别和处理的所有独特的Token的集合。从本质上讲，它是在训练数据的帮助下，使用给定的tokenization 方法所创建的Tokens集合。

目前的大多数 LLM 都使用某种不同的 BPE。例如，Mistral 模型使用的方法为byte fallback BPE tokenizer。

除 BPE 外，还有一些其他方法，如单字词法、句片法和词片法。

别担心这些了。

现在，我们需要知道的是，创建Tokens是处理 NLP 或 LLM 的第一步。有不同的方法来创建Tokens，这些Tokens也被分配了一些Token ID，表示该Token在词汇表中的索引。

什么是Embedding？‍

我们经常接触这个词。在讨论这个词之前，我们先来消除一些困惑。

Token ID 是tokens的直接数字表示。事实上，它们并不能捕捉Tokens之间任何更深层次的关系或模式
标准的矢量化技术（如 TF-IDF）包括根据某些逻辑创建更复杂的数字表示。
嵌入(Embeddings)是Tokens的高级向量表示。它们试图捕捉Tokens之间最细微的差别、联系和语义。每个嵌入通常是神经网络计算的向量空间上的一系列实数。

简而言之，输入文本被转换为Tokens。每个Token被赋予一个Token ID。这些Token ID 可用于创建Embedding，以便在复杂的模型中进行更细致的数字表示。

为什么要这样做？

因为计算机能理解数字，并通过数字进行运算。而Embeddings才是 LLM 的 "真正输入"。

Token到Embedding的转换

就像不同的tokenization 化方法一样，我们也有多种Token到Embedding转换的方法。下面是一些常用的方法：

Word2Vec ：一种神经网络模型
GloVe：一种无监督学习算法，可用于单词表示的全局向量
FastText：Word2Vec 的扩展
BERT：来自Transformer的双向编码器表示法
ELMO: 一种深度双向 LSTM 模型。

我们暂且不用担心每种方法的内部工作原理。大家只需知道，我们可以使用它们来创建计算机可以理解的文本数字表示。

我们以 BERT 创建Embedding为例来讲解：

from transformers import BertTokenizer, BertModelimport torch# Load pre-trained model tokenizertokenizer = BertTokenizer.from_pretrained('bert-base-uncased')# Load pre-trained modelmodel = BertModel.from_pretrained('bert-base-uncased')# Text to be tokenizedtext = "It's over 9000!"# Encode textinput_ids = tokenizer.encode(text, add_special_tokens=True)# Output the token IDsprint("Token IDs:", input_ids)# Convert token IDs back to raw tokens and output themraw_tokens = [tokenizer.decode([token_id]) for token_id in input_ids]print("Raw tokens:", raw_tokens)# Convert list of IDs to a tensorinput_ids_tensor = torch.tensor([input_ids])# Pass the input through the modelwith torch.no_grad():    outputs = model(input_ids_tensor)# Extract the embeddingsembeddings = outputs.last_hidden_state# Print the embeddingsprint("Embeddings: ", embeddings)

输出如下：

Token IDs: [101, 2009, 1005, 1055, 2058, 7706, 2692, 999, 102]Raw tokens: ['[CLS]', 'it', "'", 's', 'over', '900', '##0', '!', '[SEP]']Embeddings:  tensor([[[ 0.1116,  0.0722,  0.3173,  ..., -0.0635,  0.2166,  0.3236],         [-0.4159, -0.5147,  0.5690,  ..., -0.2577,  0.5710,  0.4439],         [-0.4893, -0.8719,  0.7343,  ..., -0.3001,  0.6078,  0.3938],         ...,         [-0.2746, -0.6479,  0.2702,  ..., -0.4827,  0.1755, -0.3939],         [ 0.0846, -0.3420,  0.0216,  ...,  0.6648,  0.3375, -0.2893],         [ 0.6566,  0.2011,  0.0142,  ...,  0.0786, -0.5767, -0.4356]]])

观察上述代码，可以知道：

与之前使用 GPT-2 的示例一样，我们首先对文本进行tokenization 化。BERT模型采用wordpiece策略。它基本上是根据特定标准将单词分解成更小的单元。
我们获取Token ID，然后打印原始Tokens。请注意它与 GPT-2 的输出有何不同。
我们根据Token ID 创建一个张量，并将其作为输入传递给预先训练好的 BERT 模型。
我们从最后一个隐藏状态中提取最终输出。

如大家所见，Embeddings基本上就是数字数组。

Embeddings的作用

Embeddings处理过程如此庞大和复杂，那么它到底意味着什么呢？

每个Token的嵌入都是一个高维向量。这使得该模型能够捕捉广泛的语言特征和细微差别，如单词的含义、语义信息及其与句子中其他单词的关系。
与简单的单词嵌入（如 Word2Vec）不同，BERT 的嵌入是根据上下文进行的。这意味着同一个词可以根据其上下文（其周围的词）有不同的嵌入。要捕捉这种上下文上的细微差别，需要丰富而复杂的嵌入。
在 BERT 等更复杂的模型中，我们不仅可以获得最终嵌入结果，还可以访问神经网络每一层的嵌入结果。每一层都能捕捉语言的不同方面，从而增加了张量的复杂性和大小。
这些嵌入信息可用作各种 NLP 任务的输入，如情感分析、问题解答和语言翻译。嵌入组合的丰富性使模型能够以高度的复杂性执行这些任务。
这些张量的复杂程度反映了模型是如何 "理解 "语言的。嵌入中的每个维度都可以代表模型在训练过程中学到的某些抽象语言特征。

简而言之，Embeddigns是使 LLMs 运行良好的秘诀。如果能找到更好的嵌入方法，就有可能创建出更好的模型。

当这些数字被训练有素的人工智能模型架构处理时，它就会以相同的格式计算出新的值，代表模型所训练任务的答案。在 LLM 中，这就是对下一个标记的预测。

在训练 LLM 时，我们基本上是在尝试优化模型中与输入嵌入相关的所有数学计算，以创建所需的输出。
所有此类计算都包含在一些称为模型权重的参数中。它们决定了模型如何处理输入数据以产生输出。

嵌入实际上是LLM模型权重的一个子集。它们通常是与嵌入层（在Transformer等模型中）（通常是第一层）相关的权重。

模型权重和嵌入可以作为随机变量初始化（或计算），也可以从预先训练好的模型中提取。然后在训练阶段更新这些值。

我们的目标是为模型权重找到合适的值，以便在输入的情况下，模型所做的计算能在给定的环境下产生最准确的输出。

结论

大模型在处理文本输入时，遵循Text -> Tokens -> Token IDs -> Embeddings处理过程，而Embeddings是 LLM 理解输入上下文语义的秘诀。此外，有许多不同的技术可以创建Token和Embedding，这对模型的工作方式有很大影响。

希望可以加深大家对大语言模型的理解。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业