在目前的开源模型中，LLaMA模型无疑是一颗闪亮的⭐️，但是相对于ChatGLM、BaiChuan等国产大模型，其对于中文的支持能力不是很理想。原版LLaMA模型的词表大小是32K，中文所占token是几百个左右，这将会导致中文的编解码效率低。

在将LLaMA系列模型用于中文语言时需要进行中文词表扩充，基于sentencepiece工具训练，产生新的词表，然后与原始词表合并得到一个新词表。

本文将LLaMA模型中文词表扩充分为以下步骤：训练数据准备、词表训练、词表合并、词表测试。

训练数据准备

这里使用MedicalGPT中的天龙八部小说作为训练文本。

数据是txt文件，一行文本作为一条数据。

词表训练代码

import sentencepiece as spmspm.SentencePieceTrainer.train(    input='tianlongbabu.txt',    model_prefix='bpe_llama',    shuffle_input_sentence=False,    train_extremely_large_corpus=True,    max_sentence_length=2048,    pad_id=3,    model_type='BPE',    vocab_size=5000,    split_digits=True,    split_by_unicode_script=True,    byte_fallback=True,    allow_whitespace_only_pieces=True,    remove_extra_whitespaces=False,    normalization_rule_name="nfkc",)print('训练完成')

sentencepiece训练参数： Usage: ../build/src/spm_train [options] files

--input（逗号分隔的输入句子列表） 类型：字符串 默认值：“”--input_format（输入格式。支持的格式为text或tsv。） 类型：字符串 默认值：“”--model_prefix（输出模型前缀） 类型：字符串 默认值：“”--model_type（模型算法：unigram、bpe、word或char） 类型：字符串 默认值：“unigram”--vocab_size（词汇表大小） 类型：int32 默认值：8000--accept_language（此模型可以接受的语言的逗号分隔列表） 类型：字符串 默认值：“”--self_test_sample_size（自测样本的大小） 类型：int32 默认值：0--character_coverage（用于确定最小符号的字符覆盖率） 类型：double 默认值：0.9995--input_sentence_size（训练器加载的句子的最大大小） 类型：uint64_t 默认值：0--shuffle_input_sentence（提前随机抽样输入句子。当--input_sentence_size > 0时有效） 类型：bool 默认值：true--seed_sentencepiece_size（seed sentencepieces的大小） 类型：int32 默认值：1000000--shrinking_factor（与损失相关的保留顶部shrinking_factor片段） 类型：double 默认值：0.75--num_threads（训练时的线程数） 类型：int32 默认值：16--num_sub_iterations（EM子迭代的数量） 类型：int32 默认值：2--max_sentencepiece_length（sentence piece的最大长度） 类型：int32 默认值：16--max_sentence_length（句子的最大长度（字节）） 类型：int32 默认值：4192--split_by_unicode_script（使用Unicode脚本拆分句子片段） 类型：bool 默认值：true--split_by_number（通过数字（0-9）拆分标记） 类型：bool 默认值：true--split_by_whitespace（使用空格拆分句子片段） 类型：bool 默认值：true--split_digits（将所有数字（0-9）拆分为单独的片段） 类型：bool 默认值：false--treat_whitespace_as_suffix（将空格标记视为后缀而不是前缀。） 类型：bool 默认值：false--allow_whitespace_only_pieces（允许只包含（连续的）空格标记的片段） 类型：bool 默认值：false--control_symbols（控制符号的逗号分隔列表） 类型：字符串 默认值：“”--control_symbols_file（从文件加载控制符号。） 类型：字符串 默认值：“”--user_defined_symbols（用户定义符号的逗号分隔列表） 类型：字符串 默认值：“”--user_defined_symbols_file（从文件加载user_defined_symbols。） 类型：字符串 默认值：“”--required_chars（UTF8字符，无论character_coverage如何，始终在字符集中使用） 类型：字符串 默认值：“”--required_chars_file（从文件加载required_chars。） 类型：字符串 默认值：“”--byte_fallback（将未知片段分解为UTF-8字节片段） 类型：bool 默认值：false--vocabulary_output_piece_score（在vocab文件中定义分数） 类型：bool 默认值：true--normalization_rule_name（规范化规则名称。从nfkc或identity中选择） 类型：字符串 默认值：“nmt_nfkc”--normalization_rule_tsv（规范化规则TSV文件。） 类型：字符串 默认值：“”--denormalization_rule_tsv（反规范化规则TSV文件。） 类型：字符串 默认值：“”--add_dummy_prefix（在文本开头添加虚拟空格） 类型：bool 默认值：true--remove_extra_whitespaces（删除前导、尾随和重复的内部空格） 类型：bool 默认值：true--hard_vocab_limit（如果设置为false，则--vocab_size被视为软限制。） 类型：bool 默认值：true--use_all_vocab（如果设置为true，则使用所有标记作为vocab。对于word/char模型有效。） 类型：bool 默认值：false--unk_id（覆盖UNK（<unk>）id。） 类型：int32 默认值：0--bos_id（覆盖BOS（<s>）id。将-1设置为禁用BOS。） 类型：int32 默认值：1--eos_id（覆盖EOS（</s>）id。将-1设置为禁用EOS。） 类型：int32 默认值：2--pad_id（覆盖PAD（<pad>）id。将-1设置为禁用PAD。） 类型：int32 默认值：-1--unk_piece（覆盖UNK（<unk>）片段。） 类型：字符串 默认值：“<unk>”--bos_piece（覆盖BOS（<s>）片段。） 类型：字符串 默认值：“<s>”--eos_piece（覆盖EOS（</s>）片段。） 类型：字符串 默认值：“</s>”--pad_piece（覆盖PAD（<pad>）片段。） 类型：字符串 默认值：“<pad>”--unk_surface（<unk>的虚拟表面字符串。在解码中，<unk>被解码为unk_surface。） 类型：字符串 默认值：“ ⁇ ”--train_extremely_large_corpus（增加unigram标记化的位深度。） 类型：bool 默认值：false--random_seed（随机生成器的种子值。） 类型：uint32 默认值：4294967295--enable_differential_privacy（是否在训练时添加差分隐私。目前仅UNIGRAM模型支持。） 类型：bool 默认值：false--differential_privacy_noise_level（DP时添加的噪声量） 类型：float 默认值：0--differential_privacy_clipping_threshold（DP时剪切计数的阈值） 类型：uint64_t 默认值：0--help（显示帮助） 类型：bool 默认值：false--version（显示版本） 类型：bool 默认值：false--minloglevel（低于此级别的消息实际上不会被记录在任何地方） 类型：int 默认值：0测试

import sentencepiece as spmsp = spm.SentencePieceProcessor()sp.load("bpe_llama.model")print(sp.encode_as_pieces("这老者姓左，名叫子穆，是“无量剑”东宗的掌门。那道姑姓辛，道号双清，是“无量剑”西宗掌门。"))print(sp.encode_as_ids("这老者姓左，名叫子穆，是“无量剑”东宗的掌门。那道姑姓辛，道号双清，是“无量剑”西宗掌门。"))

词表合并代码

import osos.environ["PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION"]="python"from transformers import LlamaTokenizerfrom sentencepiece import sentencepiece_model_pb2 as sp_pb2_modelimport sentencepiece as spmllama_tokenizer_dir = 'llama-2-7b-bin'chinese_sp_model_file = 'bpe_llama.model'# 分词器加载llama_tokenizer = LlamaTokenizer.from_pretrained(llama_tokenizer_dir)chinese_sp_model = spm.SentencePieceProcessor()chinese_sp_model.Load(chinese_sp_model_file)# 解析llama_spm = sp_pb2_model.ModelProto()llama_spm.ParseFromString(llama_tokenizer.sp_model.serialized_model_proto())chinese_spm = sp_pb2_model.ModelProto()chinese_spm.ParseFromString(chinese_sp_model.serialized_model_proto())# 词表长度print(len(llama_tokenizer),len(chinese_sp_model))# 添加新token到llama词表llama_spm_tokens_set=set(p.piece for p in llama_spm.pieces)print(len(llama_spm_tokens_set))print(f"Before:{len(llama_spm_tokens_set)}")for p in chinese_spm.pieces:    piece = p.piece    if piece not in llama_spm_tokens_set:        new_p = sp_pb2_model.ModelProto().SentencePiece()        new_p.piece = piece        new_p.score = 0        llama_spm.pieces.append(new_p)print(f"New model pieces: {len(llama_spm.pieces)}")output_sp_dir = '../merged_tokenizer_sp'output_hf_dir = '../merged_tokenizer_hf'vocab_content = ''for p in llama_spm.pieces:    vocab_content += f"{p.piece} {p.score}\n"# 保存词表with open(output_sp_dir+'/chinese_llama.vocab', "w", encoding="utf-8") as f:    f.write(vocab_content)# 保存spm模型with open(output_sp_dir+'/chinese_llama.model', 'wb') as f:    f.write(llama_spm.SerializeToString())# 保存llama新tokenizertokenizer = LlamaTokenizer(vocab_file=output_sp_dir+'/chinese_llama.model')tokenizer.save_pretrained(output_hf_dir)print(f"Chinese-LLaMA tokenizer has been saved to {output_hf_dir}")

词表文件：

词表测试代码

from transformers import LlamaTokenizerllama_tokenizer = LlamaTokenizer.from_pretrained(llama_tokenizer_dir)chinese_llama_tokenizer = LlamaTokenizer.from_pretrained(output_hf_dir)print(tokenizer.all_special_tokens)print(tokenizer.all_special_ids)print(tokenizer.special_tokens_map)text='''白日依山尽，黄河入海流。欲穷千里目，更上一层楼。'''text='''大模型是指具有非常大的参数数量的人工神经网络模型。 在深度学习领域，大模型通常是指具有数亿到数万亿参数的模型。'''print("Test text:\n",text)print(f"Tokenized by LLaMA tokenizer:{len(llama_tokenizer.tokenize(text))},{llama_tokenizer.tokenize(text)}")print(f"Tokenized by GoGPT-LLaMA tokenizer:{len(chinese_llama_tokenizer.tokenize(text))},{chinese_llama_tokenizer.tokenize(text)}")

从结果可以看到，中文分词后长度显著减小，英文分词没有产生影响。

注：在对中文词表扩展后的LLaMA模型做增量预训练时，需要调整嵌入层的大小(model.resize_token_embeddings(len(tokenizer)))，因为词表大小发生变化。

参考

[1]

[2]