Tokenization Subword
Isọdi ọrọ-ọrọ pin ọrọ si awọn ipin ti o kere ju awọn ọrọ lọ ṣugbọn o tobi ju awọn ohun kikọ lọ, bii 'token' pẹlu 'ization'.
Akopọ
O ti wa ni awọn boṣewa ọna igbalode ede si dede tan ọrọ sinu awọn alailẹgbẹ ID ti won kosi ilana, iwontunwonsi fokabulari iwọn lodi si itumo.
Jin Dive
Awọn ọrọ ti pọ ju lati ṣe iṣiro (awọn ọrọ-ọrọ yoo jẹ nla ati padanu awọn ọrọ to ṣọwọn), lakoko ti awọn ohun kikọ ẹyọkan ko ni itumo diẹ ti wọn si ṣe awọn ilana gigun pupọ. Isọdi ọrọ-ọrọ jẹ adehun: o tọju awọn ọrọ loorekoore odidi ṣugbọn fọ awọn ọrọ toje tabi awọn ọrọ idiju sinu awọn ajẹkù ti o nilari. 'Aibanujẹ' le di 'un', 'ayọ', 'aibalẹ'. Awọn algoridimu pataki pẹlu fifi koodu Byte-Pair (ti GPT lo), WordPiece (ti BERT lo), ati Unigram/SentencePiece (lo nipasẹ T5 ati ọpọlọpọ awọn awoṣe multilingual). Ọna yii n mu awọn ọrọ ti a ko rii ni oore-ọfẹ, pin awọn ege kọja awọn ọrọ ti o jọmọ ('play', 'tirin', 'ṣere'), ati ṣe atilẹyin ede eyikeyi. Awọn maapu ajẹkù kọọkan si ID odidi kan, ati pe awọn ID wọnyi jẹ ohun ti Layer ifisinu awoṣe ṣe iyipada si awọn ipada.
Imọ-imọ-ẹrọ
Awọn algoridimu oriṣiriṣi yan awọn ọrọ-kekere ni oriṣiriṣi: BPE dapọ awọn orisii loorekoore ni isalẹ, WordPiece yan awọn akojọpọ ti o pọ julọ o ṣeeṣe corpus, ati Unigram bẹrẹ pẹlu awọn fokabulari nla ati awọn ami prunes ti o kere ju ipalara ti o ṣeeṣe. WordPiece ṣe samisi awọn ege inu ọrọ-ọrọ pẹlu asọtẹlẹ '##', lakoko ti SentencePiece ṣe itọju awọn aaye bi aami pataki kan nitorinaa o ṣiṣẹ taara lori ọrọ aise laisi pipin-tẹlẹ lori aaye funfun, o dara fun awọn ede laisi awọn aye.
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 Tokenization Subword
Isọdi ọrọ-ọrọ yoo duro jẹ gaba lori nitori pe o yara ati iwapọ, ṣugbọn awọn ailagbara rẹ, awọn ipin ti o buruju ni iṣiro, koodu, ati awọn iwe afọwọkọ ti o ṣọwọn, pẹlu awọn idiyele ami aipe laarin awọn ede, n ṣe iwadii iwadii sinu ipele baiti ati awọn awoṣe ti ko ni ami-ami. Reti ijafafa, o ṣee ṣe kọ ẹkọ tabi awọn ami isọdi adaṣe ati ododo multilingual to dara julọ nitorinaa ọrọ ti kii ṣe Gẹẹsi ko ni jiya pẹlu awọn ami-ami pupọ diẹ sii fun gbolohun ọrọ.
Real-World imuse
BERT nlo isamisi WordPiece, isamisi awọn ege itesiwaju bii '##ing' lati tun awọn ọrọ atilẹba kọ.
T5 ati ọpọlọpọ awọn awoṣe multilingual lo SentencePiece, eyiti o mu awọn ede ti ko ni aaye bi Japanese taara.
Awọn awoṣe iwiregbe pin ọrọ imọ-ẹrọ to ṣọwọn si awọn ajẹkù ti a mọ dipo kiko lori ọrọ aimọ.
Tokenizers pin awọn ọrọ-kekere kọja 'ṣiṣe', 'nṣiṣẹ', ati 'asare', jẹ ki awoṣe ṣe akopọ mofoloji daradara.
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 Subword 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
SentencePiece Tokenization
Awọn ibeere ti a beere nigbagbogbo
Kini Subword Tokenization?
Isọdi ọrọ-ọrọ pin ọrọ si awọn ipin ti o kere ju awọn ọrọ lọ ṣugbọn o tobi ju awọn ohun kikọ lọ, bii 'token' pẹlu 'ization'. O jẹ ọna boṣewa ti awọn awoṣe ede ode oni yi ọrọ pada si awọn ID ọtọtọ ti wọn ṣe ni deede, iwọntunwọnsi iwọn fokabulari lodi si itumọ.
Isoro wo ni tokenization subword yanju akawe si lilo gbogbo awọn ọrọ?
Gbogbo-ọrọ fokabulari ni o wa tobi ati ki o si tun padanu toje ọrọ; subwords tọju awọn fokabulari ni iṣakoso ati ore-ọfẹ pin awọn ọrọ aimọ.
Eyi ti awọn wọnyi ni a subword tokenization alugoridimu lo nipa BERT?
BERT nlo WordPiece, eyiti o yan awọn akojọpọ ti o pọ julọ ti o ṣeeṣe koposi ikẹkọ.
Bawo ni WordPiece ṣe samisi ni igbagbogbo nkan ti o tẹsiwaju ọrọ kan?
WordPiece ṣapejuwe awọn ọrọ-ọrọ inu-ọrọ-ọrọ pẹlu '##', nitorinaa 'ṣiṣẹs' di 'play' pẹlu '##ing'.
Kilode ti SentencePiece ṣe baamu daradara si awọn ede bii Japanese?
SentencePiece nṣiṣẹ lori ọrọ aise ati ṣe koodu awọn aaye bi aami pataki, nitorinaa o ṣiṣẹ paapaa laisi awọn aaye laarin awọn ọrọ.
Kini ajeku ọrọ-ọrọ kọọkan ni ipari ṣe maapu si ṣaaju ki o to de awoṣe naa?
Ọrọ-ipin kọọkan jẹ ID odidi ID kan, eyiti Layer ifisinu yipada si fekito ti awoṣe le ṣe ilana.