June 2026
Intermediate
384 pages
4h 17m
Japanese
本章では、LLMの処理の第1段階であるトークナイザの実装に取り組みます。まずは「文字単位」のシンプルなトークナイザを作り、その仕組みを理解することから始めます。そこから段階的に発展させ、最終的にはBPE(Byte Pair Encoding)トークナイザを完成させます。BPEは効率的にトークンを学習できるアルゴリズムであり、現代の多くのLLMで利用されています。
トークン化とは、テキストを「トークン」と呼ばれる単位に分割し、モデルが扱える数値(ID)の列に変換することを指します。トークン化には様々な方法がありますが、ここでは最もシンプルな文字単位のトークン化について学びます。
文字単位のトークン化は、テキストを1文字ごとに分割します。Pythonではlist()関数を使って、テキストを文字のリストに変換できます。
ch01/01_char_tokenizer.py
text="hello世界"
(list(text))# ['h', 'e', 'l', 'l', 'o', '世', '界', '']
次のステップは、これらの文字を数値(ID)に変換することです。ここで役立つのが ...
Read now
Unlock full access