mirror of
https://github.com/ggerganov/llama.cpp.git
synced 2024-12-25 22:08:46 +01:00
Implement non-greedy tokenizer that tries to maximize token lengths (#242)
* Implement non-greedy tokenizer that tries to maximize token lengths * Insert single space in front of the prompt - this is to match original llama tokenizer behavior --------- Co-authored-by: Jakub Horak <jakub.horak@ibawizard.net>
This commit is contained in:
parent
4f54609110
commit
c9f670a177
2
main.cpp
2
main.cpp
@ -845,6 +845,8 @@ int main(int argc, char ** argv) {
|
|||||||
|
|
||||||
std::vector<float> logits;
|
std::vector<float> logits;
|
||||||
|
|
||||||
|
// Add a space in front of the first character to match OG llama tokenizer behavior
|
||||||
|
params.prompt.insert(0, 1, ' ');
|
||||||
// tokenize the prompt
|
// tokenize the prompt
|
||||||
std::vector<gpt_vocab::id> embd_inp = ::llama_tokenize(vocab, params.prompt, true);
|
std::vector<gpt_vocab::id> embd_inp = ::llama_tokenize(vocab, params.prompt, true);
|
||||||
|
|
||||||
|
70
utils.cpp
70
utils.cpp
@ -287,40 +287,56 @@ std::vector<gpt_vocab::id> gpt_tokenize(const gpt_vocab & vocab, const std::stri
|
|||||||
return tokens;
|
return tokens;
|
||||||
}
|
}
|
||||||
|
|
||||||
|
// TODO: Calculate this constant from the vocabulary
|
||||||
|
#define MAX_TOKEN_LEN 18
|
||||||
|
// SentencePiece implementation after https://guillaume-be.github.io/2020-05-30/sentence_piece
|
||||||
std::vector<gpt_vocab::id> llama_tokenize(const gpt_vocab & vocab, const std::string & text, bool bos) {
|
std::vector<gpt_vocab::id> llama_tokenize(const gpt_vocab & vocab, const std::string & text, bool bos) {
|
||||||
//auto res = gpt_tokenize(vocab, text);
|
|
||||||
|
|
||||||
//if (bos) {
|
|
||||||
// res.insert(res.begin(), 1); // TODO: replace with vocab.bos
|
|
||||||
//}
|
|
||||||
|
|
||||||
std::vector<gpt_vocab::id> res;
|
std::vector<gpt_vocab::id> res;
|
||||||
|
std::vector<int> score;
|
||||||
|
std::vector<gpt_vocab::id> prev;
|
||||||
|
int len = text.length();
|
||||||
|
|
||||||
|
score.resize(len + 1);
|
||||||
|
prev.resize(len + 1);
|
||||||
|
|
||||||
|
// Forward pass
|
||||||
|
for (int i = 0; i < len; i++) {
|
||||||
|
int max_len = std::min(len - i, MAX_TOKEN_LEN);
|
||||||
|
for (int sub_len = 1; sub_len <= len - i; sub_len++) {
|
||||||
|
auto sub = text.substr(i, sub_len);
|
||||||
|
auto token = vocab.token_to_id.find(sub);
|
||||||
|
if (token != vocab.token_to_id.end()) {
|
||||||
|
int token_score = sub.length() * sub.length();
|
||||||
|
int local_score = score[i] + token_score;
|
||||||
|
int next = i + sub_len;
|
||||||
|
if (score[next] < local_score) {
|
||||||
|
score[next] = local_score;
|
||||||
|
prev[next] = (*token).second;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
// Backward pass
|
||||||
|
int i = len;
|
||||||
|
while (i > 0) {
|
||||||
|
gpt_vocab::id token_id = prev[i];
|
||||||
|
if (token_id == 0) {
|
||||||
|
// TODO: Return error or something more meaningful
|
||||||
|
printf("failed to tokenize string!\n");
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
res.push_back(token_id);
|
||||||
|
auto token = (*vocab.id_to_token.find(token_id)).second;
|
||||||
|
i -= token.length();
|
||||||
|
}
|
||||||
|
|
||||||
if (bos) {
|
if (bos) {
|
||||||
res.push_back(1); // TODO: replace with vocab.bos
|
res.push_back(1); // TODO: replace with vocab.bos
|
||||||
}
|
}
|
||||||
|
|
||||||
//find the longest token that matches the text
|
// Pieces are in reverse order so correct that
|
||||||
int pos = 0;
|
std::reverse(res.begin(), res.end());
|
||||||
while (true) {
|
|
||||||
int l = 0;
|
|
||||||
int t = 0;
|
|
||||||
for (const auto & kv : vocab.id_to_token) {
|
|
||||||
if (kv.second.size() < l) continue;
|
|
||||||
if (kv.second.size() > text.size() - pos) continue;
|
|
||||||
if (text.substr(pos, kv.second.size()) == kv.second) {
|
|
||||||
l = kv.second.size();
|
|
||||||
t = kv.first;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
if (l == 0) {
|
|
||||||
break;
|
|
||||||
}
|
|
||||||
|
|
||||||
res.push_back(t);
|
|
||||||
pos += l;
|
|
||||||
}
|
|
||||||
|
|
||||||
return res;
|
return res;
|
||||||
}
|
}
|
||||||
|
Loading…
Reference in New Issue
Block a user