March 2025
Intermediate to advanced
366 pages
10h 23m
Portuguese (Portugal, Brazil)
Content preview from Concebe grandes aplicações de modelos de linguagem
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.
Capítulo 3. Vocabulário e Tokenização
Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: translation-feedback@oreilly.com
No Capítulo 2, aprofundámos os conjuntos de dados que são utilizados para treinar os modelos linguísticos actuais, incluindo o processo de criação dos mesmos. Esperamos que esta incursão tenha sublinhado a influência que os dados de pré-treino têm no modelo resultante. Neste capítulo, vamos discutir outro ingrediente fundamental de um modelo de linguagem: o seu vocabulário.
Vocabulário
O que fazes primeiro quando começas a aprender uma nova língua? Começa a adquirir o seu vocabulário, expandindo-o à medida que ganha mais proficiência na língua. Vamos definir vocabulário como:
Todas as palavras de uma língua que são compreendidas por uma pessoa específica.
O falante nativo médio de inglês tem um vocabulário de 20.000-35.000 palavras. Da mesma forma, cada modelo de linguagem tem o seu próprio vocabulário, com a maioria dos vocabulários a variar entre 5.000 e 500.000 tokens.
Como exemplo, vamos explorar o vocabulário do modelo GPT-NeoX-20B. Abre o ficheiro tokenizer.json e Ctrl+F para "vocab", um dicionário que contém o vocabulário do modelo. Podes ver que as palavras que compõem o vocabulário do modelo de linguagem não se parecem inteiramente com as palavras da língua inglesa que aparecem num dicionário. Essas unidades semelhantes a palavras são chamadas de "tipos", e a instanciação de um tipo (quando aparece em uma sequência ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Read now
Unlock full access
More than 5,000 organizations count on O’Reilly
O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.Julian F.
I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.Addison B.
I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.Amir M.
I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.