"L'objectif de ce premier TP est de mettre en place l'algorithme de tokenization BPE. Pour rappel le principe consiste à rassembler les mots ou ``tokens'' apparaissant le plus de fois successivement.\n",
"\n",
"Par exemple si l'on considère le corpus contenant les mots de la table suivante (avec le nombre d’occurrences de chaque mot) :\n",
"\n",
"| mots | occurence |\n",
"|------|-----------|\n",
"| manger | 2 |\n",
"| voter | 3 |\n",
"| lent | 1 |\n",
"| lentement | 2 |\n",
"\n",
"Et que les \"tokens\" initiaux sont les lettres de l'alphabet alors, c'est le sufixe \"er\" qui sera ajouté à la liste des sous-mots (tokens) dans un premier temps.\n",
"\n",
"Les étapes pour réaliser l'algorithme BPE sont les suivantes :\n",
"1. Télécharger un corpus de textes (ici une page wikipedia)\n",
"2. Découper le texte en mots (en utilisant le caractère \"espace\") et compter le nombre d’occurrences de chaque mot\n",
"3. Initialiser le dictionnaire de mots avec les tokens initiaux (les lettres de l’alphabet)\n",
"4. Faire tourner l'algorithme BPE (apprendre le vocabulaire)\n",
"5. Tester la décomposition en tokens sur des phrases choisies (on applique les règles de fusion)"
"Pour découper le texte en mot nous utiliserons la regex suivante ```r'(\\b[^\\s]+\\b)'```. Pour compter les mots nous utiliserons l'objet Counter de python. \n",
"1. Stocker dans **count_words** chaque mot ainsi que le nombre d’occurrences\n",
"2. En regardant la documentation donnez les 10 mots les plus fréquents (vous les stockerez dans most_commons_words)."
"most_commons_words = [k for k, v in count_words.most_common(10)]\n",
"\n",
"most_commons_words"
]
},
{
"cell_type": "markdown",
"id": "7a7a38b8-97f5-4851-b642-f7b40c023491",
"metadata": {},
"source": [
"### Étape 3 : Initialiser le dictionnaire de mots avec les tokens initiaux (les lettre de l'aplhabet)\n",
"\n",
"Créer le vocabulaire initial dans la variable vocab. Combien de tokens initiaux avez-vous ?"
]
},
{
"cell_type": "code",
"execution_count": 4,
"id": "901f7ea5-9d71-4f8c-95bf-32b098c3241c",
"metadata": {},
"outputs": [],
"source": [
"vocab = list({char for word in count_words.keys() for char in word })\n",
"vocab.sort()"
]
},
{
"cell_type": "markdown",
"id": "efd79ab8-b1b1-4802-ac80-39b12cb5917f",
"metadata": {},
"source": [
"### Étape 4 : Apprendre le tokenizer\n",
"Pour apprendre le tokenizer nous avons besoins de plusieurs fonctions:\n",
"1. Une fonction pour calculer la fréquence de chacune des pairs de ``tokens''\n",
"2. Une fonction pour fusionner un paire\n",
"\n",
"Plusieurs variables sont nécessaires:\n",
"1. **vocab** contenant le vocabulaire courant\n",
"2. **merge_rules** contenant toutes les règles de fusion (un dictionnaire contenant comme clef un couple de tokens à fusionner et le résultat de la fusion des tokens). Par exemple : {('e', 's'), 'es', ('en', 't') :'ent'}\n",
"3. **splits** Un dictionnaire contenant le découpage courant du corpus avec pour clef le mot et comme valeur la liste des \"tokens\"\n",
"# En première étape splits contient les mots décomposer en caractères\n",
"splits = {word: [c for c in word] for word in count_words.keys()}\n",
"{k: splits[k] for k in list(splits.keys())[:5]}"
]
},
{
"cell_type": "markdown",
"id": "722df20d-fae1-41f1-96bc-fecb6b10a0ca",
"metadata": {},
"source": [
"#### Calculer la fréquences des pairs de tokens\n",
"Créer un fonction **compute_pair_freqs** qui étant donné les mots décomposés en tokens (dictionnaire splits) et la fréquence des mots retourne la fréquence de chaque couple de tokens (attention seulement les sous-mots successifs). "
"#### Appliquer l'algorithme jusqu'a obtenir la taille du vocabulaire souhaitée\n",
"Créer un objet BPE qui prend en argument un corpus, un nombre de mots et applique l'algorithme BPE. L'algorithme stocke dans l'attribut vocab le vcocabulaire final et dans merge_rule les règles de fusion."
L'objectif de ce premier TP est de mettre en place l'algorithme de tokenization BPE. Pour rappel le principe consiste à rassembler les mots ou ``tokens'' apparaissant le plus de fois successivement.
Par exemple si l'on considère le corpus contenant les mots de la table suivante (avec le nombre d’occurrences de chaque mot) :
| mots | occurence |
|------|-----------|
| manger | 2 |
| voter | 3 |
| lent | 1 |
| lentement | 2 |
Et que les "tokens" initiaux sont les lettres de l'alphabet alors, c'est le sufixe "er" qui sera ajouté à la liste des sous-mots (tokens) dans un premier temps.
Les étapes pour réaliser l'algorithme BPE sont les suivantes :
1. Télécharger un corpus de textes (ici une page wikipedia)
2. Découper le texte en mots (en utilisant le caractère "espace") et compter le nombre d’occurrences de chaque mot
3. Initialiser le dictionnaire de mots avec les tokens initiaux (les lettres de l’alphabet)
4. Faire tourner l'algorithme BPE (apprendre le vocabulaire)
5. Tester la décomposition en tokens sur des phrases choisies (on applique les règles de fusion)
Pour découper le texte en mot nous utiliserons la regex suivante ```r'(\b[^\s]+\b)'```. Pour compter les mots nous utiliserons l'objet Counter de python.
1. Stocker dans **count_words** chaque mot ainsi que le nombre d’occurrences
2. En regardant la documentation donnez les 10 mots les plus fréquents (vous les stockerez dans most_commons_words).
Pour apprendre le tokenizer nous avons besoins de plusieurs fonctions:
1. Une fonction pour calculer la fréquence de chacune des pairs de ``tokens''
2. Une fonction pour fusionner un paire
Plusieurs variables sont nécessaires:
1.**vocab** contenant le vocabulaire courant
2.**merge_rules** contenant toutes les règles de fusion (un dictionnaire contenant comme clef un couple de tokens à fusionner et le résultat de la fusion des tokens). Par exemple : {('e', 's'), 'es', ('en', 't') :'ent'}
3.**splits** Un dictionnaire contenant le découpage courant du corpus avec pour clef le mot et comme valeur la liste des "tokens"
Créer un fonction **compute_pair_freqs** qui étant donné les mots décomposés en tokens (dictionnaire splits) et la fréquence des mots retourne la fréquence de chaque couple de tokens (attention seulement les sous-mots successifs).
#### Appliquer l'algorithme jusqu'a obtenir la taille du vocabulaire souhaitée
Créer un objet BPE qui prend en argument un corpus, un nombre de mots et applique l'algorithme BPE. L'algorithme stocke dans l'attribut vocab le vcocabulaire final et dans merge_rule les règles de fusion.