RoBERTa模型学习

1.byte-level text encoding

https://zhuanlan.zhihu.com/p/170656789

BPE（Byte-Pair Encoding）该方法使用bytes（字节）作为基础的子词单元，这样便把词汇表的大小控制到了5w。它可以在不需要引入任何未知字符前提下对任意文本进行编码，这是在GTP2中实现的，roberta也采用了这种编码方式。

 

 上面这个是bert的编码方式，下面的是roberta：

 

 可以看到编码方式是非常不同的。

BERT原始版本使用一个字级（character-level）的BPE词汇表，大小是3w，是用启发式分词规则对输入进行预处理学习得到的。