如何使用我自己的语料库文本创建和拟合 vocab.bpe 文件？

Question

此问题适用于熟悉 GPT 或GPT2 OpenAI 模型的人。特别是与编码任务（字节对编码）。这是我的问题：我想知道如何创建自己的 vocab.bpe 文件。我有一个西班牙语语料库文本，我想用它来适应我自己的 bpe 编码器。我已经成功地使用python-bpe库创建了encoder.json，但我不知道如何获取 vocab.bpe 文件。我已经查看了gpt-2/src/encoder.py 中的代码，但是我没有找到任何提示。任何帮助或想法？

Answer 1

在这里查看，您可以使用以下命令轻松创建相同的 vocab.bpe：

python learn_bpe -o ./vocab.bpe -i dataset.txt --symbols 50000

Answer 2

我没有使用过 GPT2，但是bpemb是一个非常好的开始子词嵌入的地方。根据自述文件

BPEmb 是 275 种语言的预训练子词嵌入的集合，基于字节对编码 (BPE) 并在维基百科上进行训练。它的预期用途是作为自然语言处理中神经模型的输入。

我在我的一个项目中使用了预训练嵌入和句子，结果证明它非常有用。