当前位置：首页 > news >正文

【第四章:大模型（LLM)】05.LLM实战：实现GPT2-(1)文本token到Embedding的代码实现

news 2025/8/11 7:44:56

第四章：大模型（LLM）

第五部分：LLM实战：实现GPT2

第一节：文本token到Embedding的代码实现

本节目标：

理解 GPT-2 在接收输入时如何将自然语言文本转化为模型可处理的张量（Tensor）表示。
熟悉 Tokenizer 与 Embedding Layer 的配合方式。
编写简易的 GPT-2 风格文本输入处理代码。

1. 从自然语言到 Token

在 GPT-2 中，自然语言需要被分词器（Tokenizer）处理为离散 token id。

示例文本：

text = "Hello, how are you?"

使用 HuggingFace 的 GPT-2 Tokenizer：

from transformers import GPT2Tokenizertokenizer = GPT2Tokenizer.from_pretrained("gpt2")
token_ids = tokenizer.encode(text, return_tensors="pt")print("Token IDs:", token_ids)
print("解码结果:", tokenizer.decode(token_ids[0]))

输出（示意）：

Token IDs: tensor([[15496, 11, 703, 389, 345]])
解码结果: Hello, how are you?

GPT-2 使用的是 Byte Pair Encoding（BPE） 分词方式，将词语分成子词或字符级别的单位，更利于处理罕见词和拼写变体。

2. 将 Token IDs 转换为 Embedding

GPT-2 模型的输入是一个张量（tensor），需要用 embedding 层将 token ids 转换为连续向量。

GPT-2 的输入嵌入层包括两部分：

词嵌入（token embedding）
位置嵌入（position embedding）

用 PyTorch 自定义实现：

import torch
import torch.nn as nnvocab_size = tokenizer.vocab_size        # 词表大小
embedding_dim = 768                      # GPT-2 small 模型的默认维度
max_position_embeddings = 1024           # 支持的最大序列长度# 定义词嵌入和位置嵌入
token_embedding = nn.Embedding(vocab_size, embedding_dim)
position_embedding = nn.Embedding(max_position_embeddings, embedding_dim)# 输入 token
input_ids = token_ids  # 形状: [batch_size, seq_len]
seq_len = input_ids.size(1)# 生成位置索引
position_ids = torch.arange(seq_len, dtype=torch.long).unsqueeze(0)  # [1, seq_len]# 获取嵌入向量
token_embeds = token_embedding(input_ids)
position_embeds = position_embedding(position_ids)# 最终输入嵌入（两者相加）
input_embeddings = token_embeds + position_embedsprint("Input Embedding shape:", input_embeddings.shape)  # [1, seq_len, embedding_dim]

总结：本节核心要点

步骤	说明	作用
文本分词	使用 GPT2Tokenizer 将文本编码为 token ids	离散化
词嵌入	将 token id 映射到 dense vector	表示 token 含义
位置嵌入	编码 token 在序列中的位置信息	保留顺序信息
叠加嵌入	token_embed + position_embed	构成输入层向量