大模型前处理-CPU

前处理包含哪些流程

• 分词 tokenization
• embedding 

CPU可以做哪些优化

分词

分词在做什么？

 什么是词元化？

词元化（Tokenization）是把一段自然语言文本拆分成更小的单元（称为“词元”，即 Token）的过程。词元可以是：

• 单词：例如，“I love NLP” 分成 ["I", "love", "NLP"]。
• 子词：例如，“loving” 分成 ["lov", "##ing"]。
• 字符：例如，“hello” 分成 ["h", "e", "l", "l", "o"]。

这些词元最终会被转换成数字表示（模型的输入），因为机器只能处理数字。

如何优化：CPU可选择高效的分词引擎&多线程

高效分词器：FlashTokenizer: 基于C++的高性能分词引擎，速度可以提升8-15倍-阿里云开发者社区

friso:git clone https://github.com/lionsoul2014/friso.git
项目首页 - manticoresearch:manticoresoftware/manticoresearch: 这是一个用于快速搜索和索引数据的搜索引擎。适合用于需要快速搜索和索引数据的场景。特点：易于使用，支持多种数据格式，具有高性能和可扩展性。 - GitCode

探秘高性能中文分词器——Jcseg-CSDN博客

tiktoken - 为OpenAI模型优化的高性能BPE分词器 - 懂AI

上面这个链接有多线程示例

分词器关注指标？对e2e的影响

Qwen是什么分词器；llama又是什么分词器；为什么说qwen的分词器在中文压缩上比llama更好；_qwen 分词器-CSDN博客

embedding 文本嵌入

embedding 在做啥？

大模型推理中的Embedding(Token级)

文本先通过分词器拆分成最小语言单位token，例如 :"unbelievable" → ["un", "believ", "able"]。

接着查询词表，每个token被映射成一个数字编号，比如:"un"→1087。

根据编号查询Embedding矩阵，快速取出对应的浮点数向量，例如:"un"→[0.24,-0.31,0.88,…, 0.05]。

生成Token级的Embedding，是大模型理解输入文本的第一步。

如何优化？

玩转RAG应用：如何选对Embedding模型？-腾讯云开发者社区-腾讯云

位置编码

Transformer输入Embedding及位置编码详解_transformer embedding-CSDN博客

词向量之间需要有一个相对位置关系，如果全部不分序输入那处理肯定不方便，不同词之间组合意思也会发生变化，于是就要给词向量加位置信息。

Transformer的PE(position embedding),即位置编码理解-CSDN博客

Transformer中Position Embedding的原理与思考 | Erwin Feng Blog

看不懂

位置编码深度剖析：从正弦波到RoPE、ALiBi —— 让AI记住顺序的奥秘-CSDN博客

这篇可以 

附录：

一文搞懂大模型的前处理_大模型处理-CSDN博客

AI大模型中BERT的Embedding到底是个什么？看完小白也懂了！ - 知乎

【超详细】【原理篇&实战篇】一文读懂Transformer-CSDN博客