SentencePiece Tokenization
SentencePiece jẹ ami ami agnostic ede ti o kọ ẹkọ bi o ṣe le pin ọrọ aise sinu awọn ege ọrọ-ọrọ taara lati data, laisi gbigbekele awọn aye.
Akopọ
O jẹ ki awọn awoṣe multilingual rọrun pupọ lati kọ nipa itọju eyikeyi ede ni ọna kanna.
Jin Dive
Pupọ awọn olutọpa ro pe awọn ọrọ ti yapa nipasẹ awọn alafo, eyiti o yapa fun awọn ede bii Japanese, Kannada, tabi Thai ti ko lo wọn. SentencePiece, ti a tu silẹ nipasẹ Google ni ọdun 2018, ṣe ipadabọ eyi nipa ṣiṣe itọju igbewọle bi ṣiṣan aise ti awọn ohun kikọ — awọn aye to wa — ati kikọ ẹkọ awọn ọrọ-ọrọ ti awọn ipin-ipin-ọrọ lati inu data funrararẹ. O gbajumọ rọpo awọn alafo pẹlu aami ti o han (aami-ami meta ti o ni abẹlẹ) nitorinaa isamisi jẹ iyipada ni kikun: o le tun tun ọrọ atilẹba gangan ṣe nigbagbogbo. SentencePiece ṣe atilẹyin awọn algoridimu akọkọ meji, Byte-Pair Encoding (BPE) ati awoṣe ede Unigram, igbehin jẹ ọna ibuwọlu rẹ. Nitoripe ko nilo isọdọmọ-ede kan pato-ede, opo gigun ti epo kanna n ṣiṣẹ kọja awọn ọgọọgọrun awọn ede, eyiti o jẹ idi ti awọn awoṣe bii T5, ALBERT, ati ọpọlọpọ awọn ọna ṣiṣe multilingual gbarale rẹ.
Imọ-imọ-ẹrọ
Algoridimu SentencePiece's Unigram bẹrẹ pẹlu awọn fokabulari oludije nla kan ati pe ni ilodisi awọn ege ege ti o ṣe alabapin o kere ju si iṣeeṣe ti koposi ikẹkọ, ni lilo ilana Ireti-Maximization. Aami aaye ti o han (aami awọn orisirisi) jẹ ki o ṣe ami ati detokenize lainidi. O tun le ṣiṣẹ ni ipele baiti, ni idaniloju pe eyikeyi ohun kikọ - paapaa emoji ti a ko rii tabi awọn iwe afọwọkọ - jẹ aṣoju laisi awọn ikuna-jade-ti-fokabulari.
Ipa Ilana
Iyara ati iwọn
Ṣiṣan iṣẹ ede le gbe ni iyara laisi irubọ aitasera.
Wiwọle ati arọwọto
O faagun iraye si kọja awọn ede ati awọn aza ibaraẹnisọrọ.
Awọn ipinnu diẹ sii
Awọn ẹgbẹ le lo akoko diẹ sii lori idajọ lakoko ti adaṣe n kapa atunwi.
Ojo iwaju ti SentencePiece Tokenization
SentencePiece ṣi jẹ ẹṣin iṣẹ fun ọpọlọpọ ede ati awọn awoṣe koodu nitori iyipada rẹ ati didoju ede. Aaye naa n ṣawari diẹdiẹ ipele baiti ati awọn isunmọ-ọfẹ tokenizer ti o fo awọn ọrọ-ọrọ subword patapata, ni ifọkansi lati yọkuro awọn quirks tokenization ti o bajẹ isiro, awọn ede toje, ati awọn nọmba gigun. Paapaa nitorinaa, SentencePiece's Unigram ati awọn apẹrẹ baiti-fallback tẹsiwaju lati ni agba awọn ami isamisi tuntun, ati pe aisi adanu rẹ, imọ-jinlẹ reluwe-lati-aise-ọrọ yoo duro ipile fun ọjọ iwaju isunmọ.
Real-World imuse
Awoṣe T5 Google, eyiti o nlo ọrọ-ọrọ SentencePiece kan ti a kọ ẹkọ lori ọrọ wẹẹbu multilingual.
Tokenizing Japanese tabi ọrọ Kannada ti ko ni awọn aaye laarin awọn ọrọ, nibiti awọn ami-ọrọ orisun-ọrọ kuna.
Ṣiṣe awọn ọrọ-ọrọ pinpin ẹyọkan kọja awọn ede 100+ fun eto itumọ ede pupọ.
Ipadanu lainidi atunṣe igbewọle atilẹba (pẹlu aye) lati awọn ami-ami, wulo fun iran koodu nibiti awọn aaye funfun ṣe pataki.
Awọn ewu & Awọn ọna iṣọ
Awọn otitọ ti a sọ di mimọ le tẹ awọn ijabọ sii ni idakẹjẹ, awọn ṣiṣan atilẹyin, tabi awọn abajade iwadii.
Ifamọ kiakia le ṣẹda awọn abajade aisedede kọja awọn ibeere ti o jọra.
Awọn data ọrọ ifarabalẹ le farahan ti awọn idari wiwọle ko lagbara.
Ilana Ilana imuse
Ṣetumo ọna kika iṣẹjade, ohun orin, ati awọn iṣedede didara ṣaaju ṣiṣejade.
Awọn idahun ilẹ pẹlu awọn orisun ti o gbẹkẹle nigbakugba ti deede ba ṣe pataki.
Jeki aaye ayẹwo atunyẹwo eniyan fun awọn abajade ti o ga julọ.
Tọpinpin awọn ilana ikuna ati tunṣe awọn itọsi tabi ṣiṣan iṣẹ nigbagbogbo.
Tesiwaju Ṣiṣawari
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the SentencePiece Tokenization quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Itọsọna atẹle
Tokenization Subword
Awọn ibeere ti a beere nigbagbogbo
Kini SentencePiece Tokenization?
SentencePiece jẹ ami ami agnostic ede ti o kọ ẹkọ bi o ṣe le pin ọrọ aise sinu awọn ege ọrọ-ọrọ taara lati data, laisi gbigbekele awọn aye. O jẹ ki awọn awoṣe onisọpọ pupọ rọrun pupọ lati kọ nipa atọju eyikeyi ede ni ọna kanna.
Aroye bọtini wo ni SentencePiece yago fun ti awọn ami-ami ibile ṣe gbarale?
SentencePiece ṣe itọju igbewọle bi ṣiṣan ohun kikọ aise, nitorinaa o ṣiṣẹ paapaa fun awọn ede laisi awọn aaye laarin awọn ọrọ.
Kini idi ti SentencePiece fi rọpo awọn aaye pẹlu aami meta ti o han?
Awọn aaye fifi koodu si bi aami ti o han tumọ si ọrọ atilẹba, pẹlu aye, le tun tun ṣe deede.
Awọn algoridimu meji wo ni SentencePiece ṣe atilẹyin ni akọkọ?
SentencePiece nfunni ni fifi koodu Byte-Pair (BPE) ati awoṣe ede Unigram kan, pẹlu Unigram jẹ ọna ibuwọlu rẹ.
Bawo ni awoṣe Unigram ṣe kọ awọn fokabulari rẹ?
Unigram bẹrẹ pẹlu ọpọlọpọ awọn ege oludije ati pe ni igbagbogbo yọ awọn ti o ṣe idasi kere si iṣeeṣe koposi nipa lilo Ireti-Maximization.
Awoṣe wo ni olokiki lo tokenizer SentencePiece kan?
Google's T5 nlo ọrọ-ọrọ SentencePiece kan, gẹgẹbi ALBERT ati ọpọlọpọ awọn awoṣe multilingual.