干货满满！大神Karpathy两小时AI大课文字版第一弹全新工作流自动

　　暂态算术码电子反对抗改善因子电透药法凯时登陆APP前段时间，AI大神Karpathy上线的AI大课，已经收获了全网15万次播放量。

　　那便是，将2小时13分钟的「从头开始构建GPT分词器」的视频，转换为一本书的章节（或者博客文章）形式，专门讨论「分词」。

　　更广泛地说，这样的工作流程可以应用于任何视频输入，自动生成各种教程的「配套指南」，使其格式更加便于阅读、浏览和搜索。

　　Karpathy表示，这是自己手动完成的任务，即观看视频并将其翻译成markdown格式的文章。

　　「我只看了大约4分钟的视频（即完成了3%），而这已经用了大约30分钟来写，所以如果能自动完成这样的工作就太好了」。

　　遗憾的是，「分词」是目前最领先的大模型中，一个相对复杂和棘手的组成部分，但我们有必要对其进行详细了解。

　　因为LLM的许多缺陷可能归咎于神经网络，或其他看似神秘的因素，而这些缺陷实际上都可以追溯到「分词」。

　　事实上，在之前的视频《让我们从零开始构建 GPT》中，我已经介绍过分词，但那只是一个非常简单的字符级版本。

　　如果你去Google colab查看那个视频，你会发现我们从训练数据（莎士比亚）开始，它只是Python中的一个大字符串：

　　然后根据上面的词汇表，创建用于在单个字符和整数之间进行转换的查找表。此查找表只是一个Python字典：

　　一旦我们将一个字符串转换成一个整数序列，我们就会看到每个整数，都被用作可训练参数的二维嵌入的索引。

　　因为我们的词汇表大小为 vocab_size=65 ，所以该嵌入表也将有65行：

　　在这里，整数从嵌入表中「提取」出一行，这一行就是代表该分词的向量。然后，该向量将作为相应时间步长的输入输入到Transformer。

　　但在实践中，在最先进的语言模型中，人们使用更复杂的方案来构建这些表征词汇。

　　具体地说，这些方案不是在字符级别上工作，而是在「字符块」级别上工作。构建这些块词汇表的方式是使用字节对编码（BPE）等算法，我们将在下面详细介绍该算法。

　　向下翻到第2.2节「输入表示」，在那里他们描述并激励这个算法。在这一节的末尾，你会看到他们说：

　　回想一下，在Transformer的注意力层中，每个token都与序列中之前的有限token列表相关联。

　　「分词」是将Python中的原始字符串，转换为token列表的过程，反之亦然。

　　还有一个流行的例子可以证明这种抽象的普遍性，如果你也去Llama 2的论文中搜索「token」，你将得到63个匹配结果。

　　在我们深入探讨实现的细节之前，让我们简要地说明一下，需要详细了解「分词」过程的必要性。

　　- 为什么LLM不能执行超简单的字符串处理任务，比如反转字符串？——分词

　　- 如果我问LLM关于「SolidGoldMagikarp」的问题，为什么它会崩溃？——分词

　　这个Web应用程序的优点是，分词在网络浏览器中实时运行，允许你轻松地在输入端输入一些文本字符串，并在右侧看到分词结果。

　　在顶部，你可以看到我们当前正在使用 gpt2 分词器，并且可以看到，这个示例中粘贴的字符串目前正在分词为 300个token。

　　token「is」（注意，这是三个字符，包括前面的空格，这很重要！）是318。

　　注意使用空格，因为它在字符串中是绝对存在的，必须与所有其他字符一起分词。但为了清晰可见，在可视化时通常会省略。

　　你可以在应用程序底部打开和关闭它的可视化功能。同样，token「at」是379，「the」是262，依此类推。

　　在这里，我们看到，分词器对数字的分解可能不一致。比如，数字127是由3个字符组成的token，但数字677是因为有2个token：6（同样，请注意前面的空格）和77。

　　它必须在其参数内部和训练过程中，了解这两个token（6和77实际上组合成了数字677)。

　　同样，我们可以看到，如果LLM想要预测这个总和的结果是数字804，它必须在两个时间步长内输出：

　　请注意，所有这些拆分看起来都是完全任意的。在下面的例子中，我们可以看到1275是「12」，然后「75」，6773实际上是三个token「6」、「77」、「3」，而8041是「8」、「041」。

　　网友表示，太好了，实际上我更喜欢阅读这些帖子，而不是看视频，更容易把握自己的节奏。

　　「感觉很棘手，但使用LangChain可能是可行的。我在想是否可以使用whisper转录，产生有清晰章节的高级大纲，然后对这些章节块并行处理，在整体提纲的上下文中,专注于各自章节块的具体内容（也为每个并行处理的章节生成配图）。然后再通过LLM把所有生成的参考标记，汇编到文章末尾」。