facebookresearch/metaseq

Unify tokenizers

Open

#308 opened on 2022年8月20日

GitHub で見る
 (1 comment) (1 reaction) (1 assignee)Python (6,195 stars) (701 forks)batch import
better-engenhancementgood first issue

説明

🚀 Feature Request

With #305, we now have two ways to specify a tokenizer: with the GPT2 tokenizer (provided as two files), and with the universal HF format (specified as one file). These are in two separate code paths, but they don't need to be: we could (manually) merge the two GPT2 files into the universal HF format and switch to only that, and we should.

The resulting code would be cleaner, but catching all the other places the old method is used (e.g. API and old sweeps) needs thorough review.

コントリビューターガイド

技術スタック
python
領域
backendapi
Issue 種別
refactor
難度新しい貢献者にとっての実装難度です。1 は非常に小さな変更、5 は専門的な作業です。
3
推定時間経験ある貢献者が調査、実装、テスト、pull request 準備にかけるおおよその時間範囲です。
1-2 days
活動状況Issue が今どれだけ取り組みやすいかを示します。新しい、活発、古い、ブロック中、またはメンテナー入力待ちなどです。
stale
明確さ期待される変更、受け入れ条件、次の手順がどれだけ明確かを示します。
clear
前提条件
Knowledge of tokenizer formatsFamiliarity with HuggingFace tokenizer
初心者向け度初回貢献者にどれだけ取り組みやすいかを 1-100 で推定したスコアです。
35
調査方針
Examine PR #305 that introduced the HuggingFace tokenizer format. Locate the two tokenizer code paths in the repository, likely in separate files or modules. Review how tokenization is used in the API and old sweeps to ensure all occurrences are updated to the unified format.