| # 背景知识 | |
| GPT2采用的byte-level BPE，BERT采用的char-level BPE。 | |
| - BPE on unicode sequence | |
| - BPE on UTF-8 byte sequence | |
| - | |
| 来自 https://huggingface.co/gpt2/tree/main | |
| ### BPE的问题 | |
| - 直接BPE，会出现 dog. dog! 等合并成一个词。 | |
| byte-level BPE | |
| - bpe会把空格拼接到后一个词上，比如 bpe.decode(bpes[1:2]) = ' world'，在NER任务上是不是算把空格也标注进去了？ | |
| - bpe会把 'world'和' world'视为两个完全不同的token，不好吧？ | |
| - 大小写： | |
| ### 怎样解决 | |
| ### GPT2的 | |
| # 下载 | |
| ### 官方 | |
| ### huggingface = 官方 | |
| - [vocab.json](https://huggingface.co/gpt2-large/resolve/main/vocab.json): 50257个kv-pair. https://huggingface.co/gpt2/resolve/main/vocab.json | |
| - [merges.txt](https://huggingface.co/gpt2-large/resolve/main/merges.txt): 50001行，https://huggingface.co/gpt2/resolve/main/merges.txt | |
| - merges.txts是否包含所有的组合？https://github.com/huggingface/transformers/issues/4777 | |
| - [tokenizer.json](https://huggingface.co/openai-community/gpt2-large/blob/main/tokenizer.json) | |
| - 这个是给 | |
| 词典加载 https://github.com/huggingface/transformers/blob/main/src/transformers/models/gpt2/tokenization_gpt2.py | |
| ### fairseq = 官方 | |
| - [vocab.bpe](https://dl.fbaipublicfiles.com/fairseq/gpt2_bpe/vocab.bpe)：50001行 | |
| - 等于 hf的 `merges.txt` | |
| - [encoder.json](https://dl.fbaipublicfiles.com/fairseq/gpt2_bpe/encoder.json): 50257个kv-pair | |
| - 等于 hf的 `vocab.json` | |
| - [dict.txt](https://dl.fbaipublicfiles.com/fairseq/gpt2_bpe/dict.txt): 50260行 这是词频，是由fairseq-preprocess生成的 https://github.com/pytorch/fairseq/issues/1186 | |
| 词典加载 https://github.com/huggingface/transformers/blob/main/src/transformers/models/gpt2/tokenization_gpt2.py | |