> 注：作为术语的“tokenization”在中文中尚无共识的概念对应，本文档采用英文表达以利说明。
Sign in to like and favorite skills
注：作为术语的“tokenization”在中文中尚无共识的概念对应，本文档采用英文表达以利说明。
Qwen-7B采用UTF-8字节级别的BPE tokenization方式，并依赖
tiktokenbytesstrfrom transformers import AutoTokenizer tokenizer = AutoTokenizer.from_pretrained('Qwen/Qwen-7B', trust_remote_code=True)
普通token源于BPE，是在UTF-8编码的文本字节序列上学习得到的。 尽管基于字节序列的方式保证了所有文本均可被tokenize且没有未登录token问题，但处理罕见文本时有可能回退到字节级别的编码。 由于从字节序列解码为文本时，
errorsreplaceerrorsignoredecodedecodeerrors>>> tokenizer.decode([51461]) ' �' >>> tokenizer.convert_ids_to_tokens([51461]) [b' \xe6\xa0'] >>> b' \xe6\xa0'.decode("utf-8", errors='replace') ' �' >>> tokenizer.decode([51461, 117]) ' 根' >>> tokenizer.convert_ids_to_tokens([51461, 117]) [b' \xe6\xa0', b'\xb9'] >>> b' \xe6\xa0\xb9'.decode("utf-8", errors='replace') ' 根'
bytestokenizer.get_vocab()特殊token用以给模型传递特殊信号，如到达文本末尾。 理论上，输入文本中不包含特殊token，它们仅在tokenization后由开发者手动加入。 特殊token的字面表达，如表示文本结束的
<|endoftext|><|endoftext|><|endoftext|><|im_start|><|im_end|><|extra_0|><|extra_204|>strtokenizer.special_tokens对于提供的模型参数(Qwen-7B和Qwen-7B-Chat)而言，诸如
boseosunkpadmaskseppad<|endoftext|><|im_start|><|im_end|><|extra_0|><|extra_204|>from transformers import AutoTokenizer tokenizer = AutoTokenizer.from_pretrained('Qwen/Qwen-7B', trust_remote_code=True, pad_token='<|endoftext|>')
注意: 对于提供的训练好的模型，设置诸如
、bos、eos之类的没有意义，即模型不需要这些概念。 如果设置了这些token，但没有相应的微调这些token以让模型理解其含义，未知行为可能被触发。 特别时，不应混淆unk和<|endoftext|>的概念，除非应用场景中它们的实际含义是一致的，即句子末尾等价于文本末尾。eos
注入攻击防御
由于特殊token和普通token概念上的差异，如果输入文本中含有特殊token的字面表达该如何处理？ 以下面文本为例
print("<|endoftext|>")
其正确的tokenization为
ids:[1350, 9639, 91, 8691, 723, 427, 91, 82598] tokens: [b'print', b'("<', b'|', b'endo', b'ft', b'ext', b'|', b'>")']
不是
ids: [1350, 445, 151643, 899] tokens: [b'print', b'("', '<|endoftext|>', b'")']
默认行为曾是正确的，即输入文本中任何字符一律按普通token处理，特殊token应由开发者在tokenization人工处理。 然后，这与社区中的实践似有差异，为开发者复用代码增加了额外适配步骤。
默认行为已被调整为从输入文本中解析特殊token的字面表达。 如需启用注入攻击防御，请传入参数
allowed_special=set()>>> tokenizer('print("<|endoftext|>")', allowed_special=set()) {'input_ids': [1350, 9639, 91, 8691, 723, 427, 91, 82598], 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0], 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1]}
这一行为可以更精细的调控，将
allowed_specialstr>>> tokenizer('print("<|extra_0|>")<|endoftext|>', allowed_special={'<|endoftext|>'}) {'input_ids': [1350, 9639, 91, 15460, 62, 15, 91, 82598, 151643], 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0], 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1]}
如果希望输入中遇到特殊token的字面表达时，获得更直接的提醒，通过配置
disallowed_special>>> tokenizer('print("<|extra_0|>")<|endoftext|>', allowed_special={'<|endoftext|>'}, disallowed_special=('<|extra_0|>', )) ... ValueError: Encountered text corresponding to disallowed special token '<|extra_0|>'. If you want this text to be encoded as a special token, pass it to `allowed_special`, e.g. `allowed_special={'<|extra_0|>', ...}`. If you want this text to be encoded as normal text, disable the check for this token by passing `disallowed_special=(enc.special_tokens_set - {'<|extra_0|>'})`. To disable this check for all special tokens, pass `disallowed_special=()`.
更多关于
allowed_specialdisallowed_specialtiktoken新的默认行为与以下设定等价
>>> tokenizer('print("<|endoftext|>")', allowed_special="all", disallowed_special=()) {'input_ids': [1350, 445, 151643, 899], 'token_type_ids': [0, 0, 0, 0], 'attention_mask': [1, 1, 1, 1]}
特别提醒：请仔细阅读本部分的说明，理解每一步操作，并承担可能的后果。 由于词表扩展部分由您提供，产出方式的差异可能导致特定的不兼容情况，请审慎操作。
Qwen系列模型的tokenizer基于BPE方案提取文本中的token。 从UTF-8编码的字节开始（每个字节都可以是一个token），两两token合并成为新token，直至不能再合并出新的token为止。 由于词表同时还记录了token的合并方式，直接向词表中添加词可能对Qwen的tokenizer并不适用，即通过已有的token可能合并不出来您添加词。
因而，请参照以下步骤获得合并信息：
准备一个纯文本文件，例如名为
qwen_extra_vocab.txt\t以下是一个文件的例子：
我是一只猫 20 你是一只猫 10 他是一只猫 5 一只 200 一只猫 100 夸张的 比喻手法 20
频率是必需的，用来计算合并的优先级。
准备基础的词表文件，例如
qwen.tiktokenQwen模型词表中有151,643个普通token，有208个特殊token。 简单起见，起始索引可以设置为151,851（默认值）。 您可以覆写不起效的特殊token，但您需要相应的修改tokenizer代码。
运行以下命令：
python add_merges.py qwen.tiktoken qwen_extra.tiktoken qwen_extra_vocab.txt
add_merges.pyqwen_extra_vocab.txtqwen_extra.tiktoken由于是纯Python实现，如果您添加了非常多的词，预期会花费较多时间。
请注意，由于预切分，有些词是无法作为token加入的。 如果您添加了这些词，您会收到警告：
WARNING - 夸张的 比喻手法 would be pre-tokenized to ['夸张的', ' 比喻手法'], and thus cannot be added to vocabulary WARNING - word 一只 is already a token b'\xe4\xb8\x80\xe5\x8f\xaa', skipping INFO - number of existing merges: 151643 INFO - number of words for expanding: 4 DEBUG - (b'\xe4\xb8\x80\xe5\x8f\xaa', b'\xe7\x8c\xab') (一只猫) is selected as the next merge with freq 100 DEBUG - (b'\xe5\x8f\xaa', b'\xe7\x8c\xab') (只猫) is selected as the next merge with freq 35 DEBUG - (b'\xe6\x98\xaf\xe4\xb8\x80', b'\xe5\x8f\xaa\xe7\x8c\xab') (是一只猫) is selected as the next merge with freq 35 DEBUG - (b'\xe6\x88\x91', b'\xe6\x98\xaf\xe4\xb8\x80\xe5\x8f\xaa\xe7\x8c\xab') (我是一只猫) is selected as the next merge with freq 20 DEBUG - (b'\xe4\xbd\xa0', b'\xe6\x98\xaf\xe4\xb8\x80\xe5\x8f\xaa\xe7\x8c\xab') (你是一只猫) is selected as the next merge with freq 10 DEBUG - (b'\xe4\xbb\x96', b'\xe6\x98\xaf\xe4\xb8\x80\xe5\x8f\xaa\xe7\x8c\xab') (他是一只猫) is selected as the next merge with freq 5 INFO - number of newly learned merges: 6
qwen_extra.tiktoken5LiA5Y+q54yr 151851 5Y+q54yr 151852 5piv5LiA5Y+q54yr 151853 5oiR5piv5LiA5Y+q54yr 151854 5L2g5piv5LiA5Y+q54yr 151855 5LuW5piv5LiA5Y+q54yr 151856
您可以按如下方式使用扩展后的词表：
from transformers import AutoTokenizer >>> tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen-7B", trust_remote_code=True, extra_vocab_file="qwen_extra.tiktoken") >>> len(tokenizer) 151857 >>> tokenizer("我是一只猫") {'input_ids': [151854], 'token_type_ids': [0], 'attention_mask': [1]}
注意：您需要使用2023年10月8日后的tokenizer代码才能传递
extra_vocab_fileqwen_extra.tiktokenqwen.tiktoken您需要微调模型才能使新的token发挥作用。
Qwen的tokenizer是直接从UTF-8编码的字节序列开始处理的，这与其它tokenizer比如SentencePiece是很不一样的。SentencePiece是从Unicode码位（可以理解为一个字符）开始处理，遇到未登录的再用UTF-8编码成字节。 从字节开始的一个潜在问题是如果频率信息不够准确，比如频率信息是在很少数据上统计得到的，Unicode码位按UTF-8编码成字节后的边界可能会出现差错。 理论上，如果模型微调数据量不足，使用扩展后的词表也可能出现意外问题。
举个例子（非实际情况），对于
一只b'\xe4\xb8\x80\xe5\x8f\xaa'b'\x80\xe5'一b'\xe4\xb8\x80'只b'\xe5\x8f\xaa'一只我们的建议是保险起见，您最好先收集待添加词中的所有Unicode码位，然后单独指定它们的频率大于其所构成词的频率之和。 不过由于Qwen的tokenizer已包含了大多数中文字，对于中文词的话，不添加中文字的频率，大部分情况下是可行的。
您可能已经发现了，在提供的例子中，
一只只猫是一一只是|一|只|猫是一|只|猫 -> 是一|只猫 -> 是一只猫这是常规BPE的特性，其完全基于分布，并不知道哪些字节可以构成合法的Unicode码位、合法的字符或是词。
副产物是一段文本在不同的上下文下可能会有不同的tokenize结果，对于仅包含ASCII字符的文本同样如此。
>>> tokenizer.tokenize("Panda") [b'P', b'anda'] >>> tokenizer.tokenize(" Panda") [b' Panda'] >>> tokenizer.tokenize("Pandas") [b'P', b'andas'] >>> tokenizer.tokenize(" Pandas") [b' Pand', b'as']
这仅说明在用于学习BPE的数据中，这样的组合是更高频的。 如果您有海量的训练语料，这并不会是个问题。