离开OpenAI的大神卡帕西“开课了”:新项目日增千星,还是熟悉的min代码风

教学视频在路上了

鱼羊 发自 凹非寺

量子位 | 公众号 QbitAI

大神Karpathy从OpenAI离职,原本扬言要大休一周。

离开OpenAI的大神卡帕西“开课了”:新项目日增千星,还是熟悉的min代码风

但转眼,新项目就已上线GitHub,日增上千星的那种。

离开OpenAI的大神卡帕西“开课了”:新项目日增千星,还是熟悉的min代码风

还是熟悉的卡式配方:

74行Python代码搞定大模型标记化(tokenization)中常用的BPE(Byte Pair Encoding)算法,实现该算法的最小、最干净代码版本。

甚至:

离开OpenAI的大神卡帕西“开课了”:新项目日增千星,还是熟悉的min代码风

是不是有点快3万标星的nanoGPT内味儿了?

这波啊,还真是让网友们给猜着了:

Time to cook。

离开OpenAI的大神卡帕西“开课了”:新项目日增千星,还是熟悉的min代码风

毕竟,Karpathy除了前特斯拉AI总监、OpenAI创始成员的title,最为网友所熟悉的,就是“AI领域大善人”、“擅长将复杂问题简单化的卡老师”这样的身份了(手动狗头)。

BPE代码最小化版本

还是具体来看一下,Karpathy老师这次又煮出了一锅什么样的饭。

离开OpenAI的大神卡帕西“开课了”:新项目日增千星,还是熟悉的min代码风

项目名minbpe已经说明一切:BPE算法的最小、最干净代码版本。

BPE(字节对编码)是随着GPT-2而流行起来的标记化算法。现在,包括GPT系列、Llama系列和Mistral在内,一众大模型都用到了这一算法来训练分词器。

BPE的主要优势在于:

  • 高效:通过合并频繁出现的字节对来逐步构建词汇表,可以有效地减少模型需要处理的词汇量。
  • 灵活:可以将词汇表外的单词分解为已知子词来进行处理,有助于模型理解和生成未在训练中出现的单词。

而在minbpe这个项目中,Karpathy提供了两个Tokenizer(分词器),它们都可以执行分词器的3个主要功能:

  • 基于特定文本训练词汇表和合并操作
  • 把文本编码成token
  • 把token解码为文本

具体而言,在basic.py中,minbpe用74行Python代码,完成了对直接在文本上运行的BPE算法的最简单实现。

离开OpenAI的大神卡帕西“开课了”:新项目日增千星,还是熟悉的min代码风

regex.py中,minbpe实现的是一个正则表达式分词器,该分词器利用正则表达式进一步拆分输入的文本。

另外,在正则表达式分词器的基础之上,minbpe还在gpt4.py中提供了一个GPT4Tokenizer,可以准确在线tiktoken库中的GPT-4标记化。

注:tiktoken是一种快速BPE分词器。

离开OpenAI的大神卡帕西“开课了”:新项目日增千星,还是熟悉的min代码风

base.py则是一个基类,包含了训练、编码和解码的存根(stubs),提供了保存和加载的功能,并集成了一些常见的辅助工具函数。在实际应用中,开发者应该通过继承这个基类来实现具体的分词器功能。

Karpathy提到,他在霉霉的维基百科文本上尝试训练了两个主要的分词器。train.py在他的M1 MacBook上运行时间大概为25秒。

如果你还有什么不清楚的地方,别担心,卡老师已经计划要出视频了:

离开OpenAI的大神卡帕西“开课了”:新项目日增千星,还是熟悉的min代码风

Karpathy出走OpenAI,许多猜测指向他的“下一篇章”是大语言模型系统(LLM OS)。

如今正式工作还未揭示,但看样子Karpathy已经拾起了“教学育人”的副业,小伙伴们可以蹲起来了(doge)。

参考链接:
https://github.com/karpathy/minbpe/

— 完 —

版权所有,未经授权不得以任何形式转载及使用,违者必究。