从零开始一步一步掌握大语言模型---（2-什么是Token?）

了解自然语言处理或者听说过大语言模型的同学都听过，token。一般来说，它代表的是语言中不可再分的最小单元。我们人类的语言不仅有文字，还有语音。针对文字、语音来说，它们都各自有不同的划分token的方法。本节将尽可能详细的介绍它们。

文本和语音中的Token

文本，就是我们人类的文字。不同的国家、民族、地区使用不同的文字，不同的模型使用不同的切分这些文字的方法。所以有时候经常容易被闹晕乎。先介绍流行的用的人最多的划分token的方法。

第一种是phoneme，表示一个发音的音标，或发音的基本单位。
        Lexicon:单词到音标的转换表。cat-->K AE T.phoneme是以前一种的常见选择。
第二种是Grapherne:最小的书写单位。英文中一个单词就是一个最小单位。但在单词之间通常还要加上空格“_”。

        one_punch_man:这句话里N=13。V=26+。中文的最小单位可以用一个一个字来表示。中文不需要加入空白。

第三种是word（即词汇）.

        one punch man按照这种方式的话就有3个token。“一拳” ”打死” ”你”。就有3个词汇。用词汇来表示token的话，太多太多了。无法穷举出所有的词。

第四种是Morpheme:表达意思的最小单位。

        unbreakable,可拆解为un, break, able.

最后一种是Bytes. 每一个符号都可以用UTF-8表示。

        什么字，符号都可以用UTF-8表示。太大了。 V总是256.

通常大家都用Grapheme和phoneme.

常见的大语言模型是如何划分token的？（指Chatgpt之类）

Chatgpt3.5&Chatgpt4:

官方介绍如何分词：

-------------------------------我是翻译线-----------------------------------------------------------------------------------

OpenAI 的大型语言模型（有时称为 GPT）使用tokens处理文本，tokens是一组文本中常见的字符序列。这些模型学习理解这些标记之间的统计关系，并擅长生成标记序列中的下一个token。

您可以使用下面的工具来了解语言模型如何对一段文本进行标记，以及该文本中的标记总数。

值得注意的是，确切的标记化过程因模型而异。GPT-3.5 和 GPT-4 等较新的模型使用与以前的模型不同的标记器，并且将为相同的输入文本生成不同的tokens。

-------------------------------我是翻译线-----------------------------------------------------------------------------------

我在Openai官网提供的版本中尝试了一下，看他们是如何分词的：

输入（注释：引号表示的是我输入的内容，我实际上并没有输入引号）：“我是中国西北人”

Chatgpt3.5&Chatgpt4的分词器输出：“我”，“是”，”中国“，”西“，”北“，”人“。对应的id为“【[37046, 21043, 59795, 61786, 49409, 17792]】”。也就是说，在这个模型中，“我”是由37046表示的，依此类推。模型最后输出的就是这些数字，然后再拿这些数字去找对应的是哪个词。

人家输出的时候没有引号。再次提醒。

Chatglm以及Llama:

这两个模型都用的是谷歌的Sentencepiece包来进行分词的。把文本分完词之后，再转换为词表中的id。

后面再继续完善一下这个章节。