初始化项目,由ModelHub XC社区提供模型
Model: pathcosmos/frankenstallm Source: Original Platform
This commit is contained in:
134
source/tokenizer/convert_sp_to_hf.py
Normal file
134
source/tokenizer/convert_sp_to_hf.py
Normal file
@@ -0,0 +1,134 @@
|
||||
#!/usr/bin/env python3
|
||||
"""
|
||||
tokenizer/convert_sp_to_hf.py — SentencePiece 모델을 HuggingFace tokenizers.json으로 변환.
|
||||
|
||||
prepare.py의 load_tokenizer()는 Tokenizer.from_file()을 사용하므로
|
||||
SentencePiece .model을 직접 읽지 못함 → HF tokenizers 포맷으로 변환 필요.
|
||||
|
||||
Usage:
|
||||
python tokenizer/convert_sp_to_hf.py \
|
||||
--model tokenizer/korean_sp/tokenizer.model \
|
||||
--output tokenizer/korean_sp/tokenizer.json
|
||||
|
||||
Requirements:
|
||||
pip install --break-system-packages sentencepiece tokenizers transformers
|
||||
"""
|
||||
|
||||
from __future__ import annotations
|
||||
|
||||
import argparse
|
||||
import json
|
||||
import sys
|
||||
from pathlib import Path
|
||||
|
||||
|
||||
def convert(model_path: Path, output_path: Path) -> None:
|
||||
"""SentencePiece Unigram 모델을 HuggingFace tokenizers.json으로 변환."""
|
||||
|
||||
# 방법 1: transformers의 XLNetTokenizer 계열 변환기 활용
|
||||
# (더 완전한 변환, special token 처리 포함)
|
||||
try:
|
||||
from transformers.convert_slow_tokenizer import SpmConverter
|
||||
from tokenizers import Tokenizer
|
||||
from tokenizers.models import Unigram
|
||||
|
||||
print(f"변환 중: {model_path} → {output_path}")
|
||||
|
||||
# SpmConverter는 tokenizers 라이브러리의 Unigram 모델로 변환
|
||||
# sentencepiece 모델 로드
|
||||
import sentencepiece as spm
|
||||
sp = spm.SentencePieceProcessor()
|
||||
sp.load(str(model_path))
|
||||
|
||||
vocab_size = sp.vocab_size()
|
||||
print(f"어휘 크기: {vocab_size:,}")
|
||||
|
||||
# Unigram vocab 추출: (piece, score) 목록
|
||||
vocab: list[tuple[str, float]] = []
|
||||
for i in range(vocab_size):
|
||||
piece = sp.id_to_piece(i)
|
||||
score = sp.get_score(i)
|
||||
vocab.append((piece, score))
|
||||
|
||||
# HuggingFace Unigram 모델 생성
|
||||
# unk_id 확인
|
||||
unk_id = sp.unk_id()
|
||||
|
||||
tokenizer = Tokenizer(Unigram(vocab, unk_id=unk_id))
|
||||
|
||||
# Pre-tokenizer: Metaspace (SentencePiece 방식 — 공백을 ▁로 변환)
|
||||
# tokenizers >= 0.14: add_prefix_space → prepend_scheme='always'
|
||||
from tokenizers.pre_tokenizers import Metaspace
|
||||
tokenizer.pre_tokenizer = Metaspace(replacement="▁", prepend_scheme="always")
|
||||
|
||||
# Decoder: Metaspace (역변환)
|
||||
from tokenizers.decoders import Metaspace as MetaspaceDecoder
|
||||
tokenizer.decoder = MetaspaceDecoder(replacement="▁", prepend_scheme="always")
|
||||
|
||||
# Special token 설정 (SP 모델과 동일한 ID)
|
||||
from tokenizers import AddedToken
|
||||
pad_id = sp.pad_id() if sp.pad_id() >= 0 else 0
|
||||
bos_id = sp.bos_id() if sp.bos_id() >= 0 else 1
|
||||
eos_id = sp.eos_id() if sp.eos_id() >= 0 else 2
|
||||
|
||||
tokenizer.add_special_tokens([
|
||||
AddedToken("<pad>", special=True),
|
||||
AddedToken("<s>", special=True),
|
||||
AddedToken("</s>", special=True),
|
||||
AddedToken("<unk>", special=True),
|
||||
])
|
||||
|
||||
output_path.parent.mkdir(parents=True, exist_ok=True)
|
||||
tokenizer.save(str(output_path))
|
||||
|
||||
# 저장 후 검증
|
||||
loaded = Tokenizer.from_file(str(output_path))
|
||||
test_text = "안녕하세요, 한국어 언어 모델입니다."
|
||||
encoded = loaded.encode(test_text)
|
||||
print(f"\n검증 통과:")
|
||||
print(f" 테스트 문자: {test_text!r}")
|
||||
print(f" 토큰 수: {len(encoded.ids)}")
|
||||
print(f" 토큰: {encoded.tokens[:15]}{'...' if len(encoded.tokens) > 15 else ''}")
|
||||
print(f"\n저장 완료: {output_path}")
|
||||
|
||||
except ImportError as e:
|
||||
print(f"ERROR: 필요한 라이브러리 없음: {e}", file=sys.stderr)
|
||||
print(" pip install --break-system-packages sentencepiece tokenizers transformers", file=sys.stderr)
|
||||
sys.exit(1)
|
||||
except Exception as e:
|
||||
print(f"ERROR: 변환 실패: {e}", file=sys.stderr)
|
||||
import traceback
|
||||
traceback.print_exc()
|
||||
sys.exit(1)
|
||||
|
||||
|
||||
def parse_args() -> argparse.Namespace:
|
||||
parser = argparse.ArgumentParser(
|
||||
description="SentencePiece 모델 → HuggingFace tokenizers.json 변환",
|
||||
formatter_class=argparse.ArgumentDefaultsHelpFormatter,
|
||||
)
|
||||
parser.add_argument(
|
||||
"--model",
|
||||
type=Path,
|
||||
required=True,
|
||||
help="SentencePiece .model 파일 경로",
|
||||
)
|
||||
parser.add_argument(
|
||||
"--output",
|
||||
type=Path,
|
||||
required=True,
|
||||
help="출력 tokenizers.json 경로",
|
||||
)
|
||||
return parser.parse_args()
|
||||
|
||||
|
||||
def main() -> None:
|
||||
args = parse_args()
|
||||
if not args.model.exists():
|
||||
print(f"ERROR: 모델 파일 없음: {args.model}", file=sys.stderr)
|
||||
sys.exit(1)
|
||||
convert(args.model, args.output)
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
main()
|
||||
256064
source/tokenizer/korean_sp/tokenizer.json
Normal file
256064
source/tokenizer/korean_sp/tokenizer.json
Normal file
File diff suppressed because it is too large
Load Diff
3
source/tokenizer/korean_sp/tokenizer.model
Normal file
3
source/tokenizer/korean_sp/tokenizer.model
Normal file
@@ -0,0 +1,3 @@
|
||||
version https://git-lfs.github.com/spec/v1
|
||||
oid sha256:edcf1eaa0a5ba871302ff42df9f80d1d0baa166ff2a57f4392c29145796bc7b2
|
||||
size 1424163
|
||||
64000
source/tokenizer/korean_sp/tokenizer.vocab
Normal file
64000
source/tokenizer/korean_sp/tokenizer.vocab
Normal file
File diff suppressed because it is too large
Load Diff
31741
source/tokenizer/merges.txt
Normal file
31741
source/tokenizer/merges.txt
Normal file
File diff suppressed because it is too large
Load Diff
159036
source/tokenizer/tokenizer.json
Normal file
159036
source/tokenizer/tokenizer.json
Normal file
File diff suppressed because it is too large
Load Diff
9
source/tokenizer/tokenizer_config.json
Normal file
9
source/tokenizer/tokenizer_config.json
Normal file
@@ -0,0 +1,9 @@
|
||||
{
|
||||
"backend": "tokenizers",
|
||||
"bos_token": "<s>",
|
||||
"eos_token": "</s>",
|
||||
"model_max_length": 1000000000000000019884624838656,
|
||||
"pad_token": "<pad>",
|
||||
"tokenizer_class": "TokenizersBackend",
|
||||
"unk_token": "<unk>"
|
||||
}
|
||||
175
source/tokenizer/train_sp_tokenizer.py
Normal file
175
source/tokenizer/train_sp_tokenizer.py
Normal file
@@ -0,0 +1,175 @@
|
||||
#!/usr/bin/env python3
|
||||
"""
|
||||
tokenizer/train_sp_tokenizer.py — SentencePiece Unigram 한국어 토크나이저 학습.
|
||||
|
||||
한국어 1음절(UTF-8 3바이트) = 1토큰이 되도록 Unigram 모델을 사용.
|
||||
character_coverage=0.9995로 한글 11,172 음절 전체 커버.
|
||||
|
||||
Usage:
|
||||
python tokenizer/train_sp_tokenizer.py \
|
||||
--input "data/raw/namuwiki_ko/*.txt,data/raw/ko_wiki_0000.txt" \
|
||||
--vocab_size 64000 \
|
||||
--output_dir tokenizer/korean_sp
|
||||
|
||||
Output:
|
||||
tokenizer/korean_sp/tokenizer.model (SentencePiece 모델)
|
||||
tokenizer/korean_sp/tokenizer.vocab (어휘 목록)
|
||||
"""
|
||||
|
||||
from __future__ import annotations
|
||||
|
||||
import argparse
|
||||
import glob
|
||||
import os
|
||||
import sys
|
||||
import tempfile
|
||||
from pathlib import Path
|
||||
|
||||
|
||||
def expand_inputs(input_spec: str) -> list[str]:
|
||||
"""콤마로 구분된 글로브 패턴들을 실제 파일 경로 목록으로 확장."""
|
||||
files: list[str] = []
|
||||
for pattern in input_spec.split(","):
|
||||
pattern = pattern.strip()
|
||||
if any(c in pattern for c in ("*", "?", "[")):
|
||||
matched = sorted(glob.glob(pattern, recursive=True))
|
||||
if not matched:
|
||||
print(f"WARNING: 패턴에 일치하는 파일 없음: {pattern!r}", file=sys.stderr)
|
||||
files.extend(matched)
|
||||
else:
|
||||
if Path(pattern).exists():
|
||||
files.append(pattern)
|
||||
else:
|
||||
print(f"WARNING: 파일 없음: {pattern!r}", file=sys.stderr)
|
||||
return files
|
||||
|
||||
|
||||
def train(
|
||||
input_files: list[str],
|
||||
output_dir: Path,
|
||||
vocab_size: int,
|
||||
num_threads: int,
|
||||
input_sentence_size: int,
|
||||
) -> None:
|
||||
try:
|
||||
import sentencepiece as spm
|
||||
except ImportError:
|
||||
print(
|
||||
"ERROR: sentencepiece가 설치되지 않음.\n"
|
||||
" pip install --break-system-packages sentencepiece",
|
||||
file=sys.stderr,
|
||||
)
|
||||
sys.exit(1)
|
||||
|
||||
output_dir.mkdir(parents=True, exist_ok=True)
|
||||
model_prefix = str(output_dir / "tokenizer")
|
||||
|
||||
print(f"입력 파일 수: {len(input_files)}")
|
||||
for f in input_files[:5]:
|
||||
print(f" {f}")
|
||||
if len(input_files) > 5:
|
||||
print(f" ... 외 {len(input_files) - 5}개")
|
||||
print(f"어휘 크기: {vocab_size:,}")
|
||||
print(f"출력 경로: {model_prefix}.model / .vocab")
|
||||
print()
|
||||
|
||||
# SentencePiece는 파일 목록을 콤마로 구분된 단일 문자열로 받는다
|
||||
input_str = ",".join(input_files)
|
||||
|
||||
spm.SentencePieceTrainer.train(
|
||||
input=input_str,
|
||||
model_prefix=model_prefix,
|
||||
vocab_size=vocab_size,
|
||||
model_type="unigram", # BPE보다 한국어에 자연스러움
|
||||
character_coverage=0.9995, # 한글 11,172 음절 완전 커버
|
||||
normalization_rule_name="nfkc", # Unicode NFKC 정규화 (한국어 호환문자 통일)
|
||||
pad_id=0,
|
||||
bos_id=1,
|
||||
eos_id=2,
|
||||
unk_id=3,
|
||||
pad_piece="<pad>",
|
||||
bos_piece="<s>",
|
||||
eos_piece="</s>",
|
||||
unk_piece="<unk>",
|
||||
user_defined_symbols=[],
|
||||
num_threads=num_threads,
|
||||
input_sentence_size=input_sentence_size,
|
||||
shuffle_input_sentence=True,
|
||||
# 학습 안정성
|
||||
seed_sentencepiece_size=1_000_000,
|
||||
shrinking_factor=0.75,
|
||||
max_sentence_length=4096,
|
||||
)
|
||||
|
||||
model_path = Path(f"{model_prefix}.model")
|
||||
vocab_path = Path(f"{model_prefix}.vocab")
|
||||
|
||||
if model_path.exists():
|
||||
size_mb = model_path.stat().st_size / 1e6
|
||||
print(f"학습 완료!")
|
||||
print(f" 모델: {model_path} ({size_mb:.1f} MB)")
|
||||
print(f" 어휘: {vocab_path}")
|
||||
print()
|
||||
print("다음 단계:")
|
||||
print(f" python tokenizer/convert_sp_to_hf.py \\")
|
||||
print(f" --model {model_path} \\")
|
||||
print(f" --output {output_dir}/tokenizer.json")
|
||||
else:
|
||||
print("ERROR: 학습 실패 — 출력 파일이 생성되지 않음", file=sys.stderr)
|
||||
sys.exit(1)
|
||||
|
||||
|
||||
def parse_args() -> argparse.Namespace:
|
||||
parser = argparse.ArgumentParser(
|
||||
description="SentencePiece Unigram 한국어 토크나이저 학습",
|
||||
formatter_class=argparse.ArgumentDefaultsHelpFormatter,
|
||||
)
|
||||
parser.add_argument(
|
||||
"--input",
|
||||
required=True,
|
||||
help="콤마로 구분된 파일/글로브 패턴 (예: 'data/raw/ko/*.txt,data/raw/wiki.txt')",
|
||||
)
|
||||
parser.add_argument(
|
||||
"--vocab_size",
|
||||
type=int,
|
||||
default=64000,
|
||||
help="어휘 크기",
|
||||
)
|
||||
parser.add_argument(
|
||||
"--output_dir",
|
||||
type=Path,
|
||||
default=Path("tokenizer/korean_sp"),
|
||||
help="모델 저장 디렉토리",
|
||||
)
|
||||
parser.add_argument(
|
||||
"--num_threads",
|
||||
type=int,
|
||||
default=64,
|
||||
help="학습에 사용할 CPU 스레드 수",
|
||||
)
|
||||
parser.add_argument(
|
||||
"--input_sentence_size",
|
||||
type=int,
|
||||
default=10_000_000,
|
||||
help="학습에 사용할 최대 문장 수 (0 = 무제한)",
|
||||
)
|
||||
return parser.parse_args()
|
||||
|
||||
|
||||
def main() -> None:
|
||||
args = parse_args()
|
||||
input_files = expand_inputs(args.input)
|
||||
if not input_files:
|
||||
print("ERROR: 입력 파일이 없습니다.", file=sys.stderr)
|
||||
sys.exit(1)
|
||||
train(
|
||||
input_files=input_files,
|
||||
output_dir=args.output_dir,
|
||||
vocab_size=args.vocab_size,
|
||||
num_threads=args.num_threads,
|
||||
input_sentence_size=args.input_sentence_size,
|
||||
)
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
main()
|
||||
147
source/tokenizer/train_tokenizer.py
Normal file
147
source/tokenizer/train_tokenizer.py
Normal file
@@ -0,0 +1,147 @@
|
||||
"""
|
||||
Train a Byte-Level BPE tokenizer on raw text files.
|
||||
|
||||
The tokenizer is saved in two formats:
|
||||
1. Native HuggingFace ``tokenizers`` format (vocab.json + merges.txt) inside
|
||||
the output directory — for fast loading with ByteLevelBPETokenizer.
|
||||
2. A ``tokenizer.json`` file (PreTrainedTokenizerFast) in the output directory
|
||||
— for easy loading with transformers.AutoTokenizer.
|
||||
|
||||
Usage:
|
||||
python tokenizer/train_tokenizer.py \
|
||||
--input "data/raw/*.txt" \
|
||||
--output tokenizer/ \
|
||||
--vocab_size 32000 \
|
||||
--min_frequency 2
|
||||
"""
|
||||
|
||||
from __future__ import annotations
|
||||
|
||||
import argparse
|
||||
import glob
|
||||
import os
|
||||
import sys
|
||||
from pathlib import Path
|
||||
|
||||
from tokenizers import AddedToken
|
||||
from tokenizers.implementations import ByteLevelBPETokenizer
|
||||
from transformers import PreTrainedTokenizerFast
|
||||
|
||||
|
||||
# ---------------------------------------------------------------------------
|
||||
# Special tokens
|
||||
# ---------------------------------------------------------------------------
|
||||
SPECIAL_TOKENS: list[str] = ["<pad>", "<s>", "</s>", "<unk>"]
|
||||
|
||||
|
||||
# ---------------------------------------------------------------------------
|
||||
# Helpers
|
||||
# ---------------------------------------------------------------------------
|
||||
|
||||
def find_input_files(pattern: str) -> list[str]:
|
||||
"""Resolve a glob pattern or a plain file path to a sorted list of paths."""
|
||||
if any(c in pattern for c in ("*", "?", "[")):
|
||||
files = sorted(glob.glob(pattern, recursive=True))
|
||||
else:
|
||||
files = [pattern] if Path(pattern).exists() else []
|
||||
if not files:
|
||||
raise FileNotFoundError(f"No files matched pattern: {pattern!r}")
|
||||
return files
|
||||
|
||||
|
||||
# ---------------------------------------------------------------------------
|
||||
# Main
|
||||
# ---------------------------------------------------------------------------
|
||||
|
||||
def parse_args() -> argparse.Namespace:
|
||||
parser = argparse.ArgumentParser(
|
||||
description="Train a Byte-Level BPE tokenizer and save to disk."
|
||||
)
|
||||
parser.add_argument(
|
||||
"--input",
|
||||
required=True,
|
||||
help='Glob pattern for training text files, e.g. "data/raw/*.txt"',
|
||||
)
|
||||
parser.add_argument(
|
||||
"--output",
|
||||
default="tokenizer/",
|
||||
help="Output directory for the trained tokenizer (default: tokenizer/)",
|
||||
)
|
||||
parser.add_argument(
|
||||
"--vocab_size",
|
||||
type=int,
|
||||
default=32000,
|
||||
help="Target vocabulary size (default: 32000)",
|
||||
)
|
||||
parser.add_argument(
|
||||
"--min_frequency",
|
||||
type=int,
|
||||
default=2,
|
||||
help="Minimum frequency for a pair to be merged (default: 2)",
|
||||
)
|
||||
return parser.parse_args()
|
||||
|
||||
|
||||
def main() -> None:
|
||||
args = parse_args()
|
||||
|
||||
# ---- Discover input files ----
|
||||
input_files = find_input_files(args.input)
|
||||
print(f"Found {len(input_files)} training file(s).")
|
||||
|
||||
# ---- Create output directory ----
|
||||
output_dir = Path(args.output)
|
||||
output_dir.mkdir(parents=True, exist_ok=True)
|
||||
|
||||
# ---- Initialise tokenizer ----
|
||||
tokenizer = ByteLevelBPETokenizer()
|
||||
|
||||
# ---- Train ----
|
||||
print(
|
||||
f"\nTraining BPE tokenizer | vocab_size={args.vocab_size} "
|
||||
f"| min_frequency={args.min_frequency} ..."
|
||||
)
|
||||
tokenizer.train(
|
||||
files=input_files,
|
||||
vocab_size=args.vocab_size,
|
||||
min_frequency=args.min_frequency,
|
||||
special_tokens=SPECIAL_TOKENS,
|
||||
show_progress=True,
|
||||
)
|
||||
|
||||
# ---- Add special tokens explicitly (ensures they have the right IDs) ----
|
||||
tokenizer.add_special_tokens(SPECIAL_TOKENS)
|
||||
|
||||
# ---- Save native format (vocab.json + merges.txt) ----
|
||||
tokenizer.save_model(str(output_dir))
|
||||
print(f"\nSaved vocab.json + merges.txt to: {output_dir}")
|
||||
|
||||
# ---- Wrap in PreTrainedTokenizerFast and save tokenizer.json ----
|
||||
fast_tokenizer = PreTrainedTokenizerFast(
|
||||
tokenizer_object=tokenizer._tokenizer,
|
||||
bos_token="<s>",
|
||||
eos_token="</s>",
|
||||
unk_token="<unk>",
|
||||
pad_token="<pad>",
|
||||
)
|
||||
tokenizer_json_path = output_dir / "tokenizer.json"
|
||||
fast_tokenizer.save_pretrained(str(output_dir))
|
||||
print(f"Saved PreTrainedTokenizerFast to: {output_dir}")
|
||||
print(f" -> tokenizer.json: {tokenizer_json_path}")
|
||||
|
||||
# ---- Stats ----
|
||||
actual_vocab_size = tokenizer.get_vocab_size()
|
||||
print("\n" + "=" * 50)
|
||||
print("Tokenizer training statistics")
|
||||
print("=" * 50)
|
||||
print(f" Training files : {len(input_files):>10,}")
|
||||
print(f" Target vocab : {args.vocab_size:>10,}")
|
||||
print(f" Actual vocab : {actual_vocab_size:>10,}")
|
||||
print(f" Min frequency : {args.min_frequency:>10,}")
|
||||
print(f" Special tokens : {SPECIAL_TOKENS}")
|
||||
print(f" Output dir : {output_dir.resolve()}")
|
||||
print("=" * 50)
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
main()
|
||||
1
source/tokenizer/vocab.json
Normal file
1
source/tokenizer/vocab.json
Normal file
File diff suppressed because one or more lines are too long
Reference in New Issue
Block a user