-
Notifications
You must be signed in to change notification settings - Fork 10k
New issue
Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.
By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.
Already on GitHub? Sign in to your account
support loading vocab from fast tokenizer config in convert.py #3633
Changes from 11 commits
f7e377d
b0e00cb
f888d2e
ea9f35f
c7b636e
6ec856b
1f16e5f
e876aec
1778450
a5b26b6
5a1f178
89611cb
97f690a
e715442
d54764d
e19b780
28f09be
4adb8b9
13f0701
f37a7d7
9f4dc23
dcf372e
cc1f3fc
026eb7c
2e263ca
5ac1949
74d80a8
61edd1b
1f5357c
8fabb01
c3b1c12
35e95b6
File filter
Filter by extension
Conversations
Jump to
Diff view
Diff view
There are no files selected for viewing
Original file line number | Diff line number | Diff line change | ||||||||||||||||||||||||||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
@@ -300,7 +300,6 @@ def load(model_plus: ModelPlus) -> Params: | |||||||||||||||||||||||||||||||||||||||||
# | ||||||||||||||||||||||||||||||||||||||||||
# vocab | ||||||||||||||||||||||||||||||||||||||||||
# | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
class BpeVocab: | ||||||||||||||||||||||||||||||||||||||||||
def __init__(self, fname_tokenizer: Path, fname_added_tokens: Path | None) -> None: | ||||||||||||||||||||||||||||||||||||||||||
self.bpe_tokenizer = json.loads(open(str(fname_tokenizer), encoding="utf-8").read()) | ||||||||||||||||||||||||||||||||||||||||||
|
@@ -414,7 +413,60 @@ def all_tokens(self) -> Iterable[tuple[bytes, float, gguf.TokenType]]: | |||||||||||||||||||||||||||||||||||||||||
def __repr__(self) -> str: | ||||||||||||||||||||||||||||||||||||||||||
return f"<SentencePieceVocab with {self.vocab_size_base} base tokens and {len(self.added_tokens_list)} added tokens>" | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
Vocab: TypeAlias = 'BpeVocab | SentencePieceVocab' | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
class HFVocab: | ||||||||||||||||||||||||||||||||||||||||||
def __init__(self, fname_tokenizer: Path, fname_added_tokens: Path | None) -> None: | ||||||||||||||||||||||||||||||||||||||||||
try: | ||||||||||||||||||||||||||||||||||||||||||
from transformers import AutoTokenizer | ||||||||||||||||||||||||||||||||||||||||||
except ImportError as e: | ||||||||||||||||||||||||||||||||||||||||||
raise ImportError( | ||||||||||||||||||||||||||||||||||||||||||
"To use HFVocab, please install the `transformers` package. " | ||||||||||||||||||||||||||||||||||||||||||
"You can install it with `pip install transformers`." | ||||||||||||||||||||||||||||||||||||||||||
) from e | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
self.tokenizer = AutoTokenizer.from_pretrained(str(fname_tokenizer)) | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
added_tokens: dict[str, int] | ||||||||||||||||||||||||||||||||||||||||||
if fname_added_tokens is not None: | ||||||||||||||||||||||||||||||||||||||||||
added_tokens = json.load(open(fname_added_tokens, encoding="utf-8")) | ||||||||||||||||||||||||||||||||||||||||||
else: | ||||||||||||||||||||||||||||||||||||||||||
added_tokens = {} | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
vocab_size: int = self.tokenizer.vocab_size | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
expected_ids = list(range(vocab_size, vocab_size + len(added_tokens))) | ||||||||||||||||||||||||||||||||||||||||||
actual_ids = sorted(added_tokens.values()) | ||||||||||||||||||||||||||||||||||||||||||
if expected_ids != actual_ids: | ||||||||||||||||||||||||||||||||||||||||||
raise Exception(f"Expected added token IDs to be sequential and start at {len(added_tokens)}; got {actual_ids}") | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
items = sorted(added_tokens.items(), key=lambda text_idx: text_idx[1]) | ||||||||||||||||||||||||||||||||||||||||||
self.added_tokens_list = [text for (text, idx) in items] | ||||||||||||||||||||||||||||||||||||||||||
self.vocab_size_base: int = vocab_size | ||||||||||||||||||||||||||||||||||||||||||
self.vocab_size: int = self.vocab_size_base + len(self.added_tokens_list) | ||||||||||||||||||||||||||||||||||||||||||
self.fname_tokenizer = fname_tokenizer | ||||||||||||||||||||||||||||||||||||||||||
self.fname_added_tokens = fname_added_tokens | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
def hf_tokens(self) -> Iterable[tuple[bytes, float, gguf.TokenType]]: | ||||||||||||||||||||||||||||||||||||||||||
tokenizer = self.tokenizer | ||||||||||||||||||||||||||||||||||||||||||
reverse_vocab = {id: encoded_tok for encoded_tok, id in tokenizer.vocab.items()} | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
for i in range(tokenizer.vocab_size): | ||||||||||||||||||||||||||||||||||||||||||
text = reverse_vocab[i].encode("utf-8") | ||||||||||||||||||||||||||||||||||||||||||
yield text, 0.0, gguf.TokenType.NORMAL | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
def added_tokens(self) -> Iterable[tuple[bytes, float, gguf.TokenType]]: | ||||||||||||||||||||||||||||||||||||||||||
for text in self.added_tokens_list: | ||||||||||||||||||||||||||||||||||||||||||
score = -1000.0 | ||||||||||||||||||||||||||||||||||||||||||
yield text.encode("utf-8"), score, gguf.TokenType.USER_DEFINED | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
def all_tokens(self) -> Iterable[tuple[bytes, float, gguf.TokenType]]: | ||||||||||||||||||||||||||||||||||||||||||
yield from self.hf_tokens() | ||||||||||||||||||||||||||||||||||||||||||
yield from self.added_tokens() | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
def __repr__(self) -> str: | ||||||||||||||||||||||||||||||||||||||||||
return f"<HFVocab with {self.vocab_size_base} base tokens and {len(self.added_tokens_list)} added tokens>" | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
Vocab: TypeAlias = 'BpeVocab | SentencePieceVocab | HFVocab' | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
# | ||||||||||||||||||||||||||||||||||||||||||
# data loading | ||||||||||||||||||||||||||||||||||||||||||
|
@@ -844,12 +896,12 @@ def add_meta_vocab(self, vocab: Vocab) -> None: | |||||||||||||||||||||||||||||||||||||||||
scores.append(score) | ||||||||||||||||||||||||||||||||||||||||||
toktypes.append(toktype) | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
if isinstance(vocab, SentencePieceVocab): | ||||||||||||||||||||||||||||||||||||||||||
if isinstance(vocab, SentencePieceVocab) or isinstance(vocab, HFVocab): | ||||||||||||||||||||||||||||||||||||||||||
self.gguf.add_tokenizer_model("llama") | ||||||||||||||||||||||||||||||||||||||||||
elif isinstance(vocab, BpeVocab): | ||||||||||||||||||||||||||||||||||||||||||
self.gguf.add_tokenizer_model("gpt2") | ||||||||||||||||||||||||||||||||||||||||||
else: | ||||||||||||||||||||||||||||||||||||||||||
raise ValueError(f'Unknown vocab type: Not BpeVocab or SentencePieceVocab') | ||||||||||||||||||||||||||||||||||||||||||
raise ValueError(f'Unknown vocab type: Not BpeVocab or SentencePieceVocab or HFVocab') | ||||||||||||||||||||||||||||||||||||||||||
self.gguf.add_token_list(tokens) | ||||||||||||||||||||||||||||||||||||||||||
self.gguf.add_token_scores(scores) | ||||||||||||||||||||||||||||||||||||||||||
self.gguf.add_token_types(toktypes) | ||||||||||||||||||||||||||||||||||||||||||
|
@@ -1057,25 +1109,51 @@ def load_some_model(path: Path) -> ModelPlus: | |||||||||||||||||||||||||||||||||||||||||
return model_plus | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
def vocab_check_and_append_path(path: Path, vocab_file: str) -> bool: | ||||||||||||||||||||||||||||||||||||||||||
path2 = path / vocab_file | ||||||||||||||||||||||||||||||||||||||||||
There was a problem hiding this comment. Choose a reason for hiding this commentThe reason will be displayed to describe this comment to others. Learn more. def find_vocab_file_path(path: Path, vocab_file: str) -> Optional[Path]:
vocab_path = path / vocab_file
if vocab_path.exists():
return vocab_path
vocab_path_parent = path.parent / vocab_file
if vocab_path_parent.exists():
return vocab_path_parent
return None There was a problem hiding this comment. Choose a reason for hiding this commentThe reason will be displayed to describe this comment to others. Learn more. Lines 1082 to 1101 in 8e672ef
It seems like a good idea to keep the names of the variables the same as they are in the main branch. |
||||||||||||||||||||||||||||||||||||||||||
# Use `.parent` instead of /.. to handle the symlink case better. | ||||||||||||||||||||||||||||||||||||||||||
path3 = path.parent / vocab_file | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
if path2.exists(): | ||||||||||||||||||||||||||||||||||||||||||
path = path2 | ||||||||||||||||||||||||||||||||||||||||||
elif path3.exists(): | ||||||||||||||||||||||||||||||||||||||||||
path = path3 | ||||||||||||||||||||||||||||||||||||||||||
else: | ||||||||||||||||||||||||||||||||||||||||||
path = None | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
return path | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
def load_vocab(path: Path, vocabtype: str | None) -> Vocab: | ||||||||||||||||||||||||||||||||||||||||||
# Be extra-friendly and accept either a file or a directory. Also, if it's | ||||||||||||||||||||||||||||||||||||||||||
# a directory, it might be the model directory, and tokenizer.model might | ||||||||||||||||||||||||||||||||||||||||||
# be in the parent of that. | ||||||||||||||||||||||||||||||||||||||||||
if path.is_dir(): | ||||||||||||||||||||||||||||||||||||||||||
find_candidates = [] | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
vocab_file = "tokenizer.model" | ||||||||||||||||||||||||||||||||||||||||||
if vocabtype == 'bpe': | ||||||||||||||||||||||||||||||||||||||||||
if vocabtype == "bpe": | ||||||||||||||||||||||||||||||||||||||||||
vocab_file = "vocab.json" | ||||||||||||||||||||||||||||||||||||||||||
path2 = path / vocab_file | ||||||||||||||||||||||||||||||||||||||||||
# Use `.parent` instead of /.. to handle the symlink case better. | ||||||||||||||||||||||||||||||||||||||||||
path3 = path.parent / vocab_file | ||||||||||||||||||||||||||||||||||||||||||
if path2.exists(): | ||||||||||||||||||||||||||||||||||||||||||
path = path2 | ||||||||||||||||||||||||||||||||||||||||||
elif path3.exists(): | ||||||||||||||||||||||||||||||||||||||||||
path = path3 | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
path_candidate = vocab_check_and_append_path(path, vocab_file) | ||||||||||||||||||||||||||||||||||||||||||
find_candidates.append(vocab_file) | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
if path_candidate is None: | ||||||||||||||||||||||||||||||||||||||||||
vocab_file = "tokenizer.json" | ||||||||||||||||||||||||||||||||||||||||||
hf_path = vocab_check_and_append_path(path, vocab_file) | ||||||||||||||||||||||||||||||||||||||||||
find_candidates.append(vocab_file) | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
if vocabtype == "spm" and hf_path is not None: | ||||||||||||||||||||||||||||||||||||||||||
# A case where there is no tokenizer.model but there is a tokenizer.json and it needs to be loaded into HFVocab. | ||||||||||||||||||||||||||||||||||||||||||
vocabtype = "hf" | ||||||||||||||||||||||||||||||||||||||||||
else: | ||||||||||||||||||||||||||||||||||||||||||
raise FileNotFoundError( | ||||||||||||||||||||||||||||||||||||||||||
f"Could not find {find_candidates} in {path} or its parent; " | ||||||||||||||||||||||||||||||||||||||||||
"if it's in another directory, pass the directory as --vocab-dir") | ||||||||||||||||||||||||||||||||||||||||||
else: | ||||||||||||||||||||||||||||||||||||||||||
raise FileNotFoundError( | ||||||||||||||||||||||||||||||||||||||||||
f"Could not find {vocab_file} in {path} or its parent; " | ||||||||||||||||||||||||||||||||||||||||||
"if it's in another directory, pass the directory as --vocab-dir") | ||||||||||||||||||||||||||||||||||||||||||
path = path_candidate | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
print(f"Loading vocab file '{path}', type '{vocabtype}'") | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
|
@@ -1084,6 +1162,8 @@ def load_vocab(path: Path, vocabtype: str | None) -> Vocab: | |||||||||||||||||||||||||||||||||||||||||
return BpeVocab(path, added_tokens_path if added_tokens_path.exists() else None) | ||||||||||||||||||||||||||||||||||||||||||
elif vocabtype == "spm": | ||||||||||||||||||||||||||||||||||||||||||
return SentencePieceVocab(path, added_tokens_path if added_tokens_path.exists() else None) | ||||||||||||||||||||||||||||||||||||||||||
elif vocabtype == "hf": | ||||||||||||||||||||||||||||||||||||||||||
return HFVocab(path, added_tokens_path if added_tokens_path.exists() else None) | ||||||||||||||||||||||||||||||||||||||||||
else: | ||||||||||||||||||||||||||||||||||||||||||
raise ValueError(f"Unsupported vocabulary type {vocabtype}") | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
|
@@ -1120,7 +1200,7 @@ def main(args_in: list[str] | None = None) -> None: | |||||||||||||||||||||||||||||||||||||||||
parser.add_argument("--vocab-dir", type=Path, help="directory containing tokenizer.model, if separate from model file") | ||||||||||||||||||||||||||||||||||||||||||
parser.add_argument("--outfile", type=Path, help="path to write to; default: based on input") | ||||||||||||||||||||||||||||||||||||||||||
parser.add_argument("model", type=Path, help="directory containing model file, or model file itself (*.pth, *.pt, *.bin)") | ||||||||||||||||||||||||||||||||||||||||||
There was a problem hiding this comment. Choose a reason for hiding this commentThe reason will be displayed to describe this comment to others. Learn more. Can you help me understand why you removed *.safetensors? Thanks! There was a problem hiding this comment. Choose a reason for hiding this commentThe reason will be displayed to describe this comment to others. Learn more. The model files are automatically discovered. The model file names are arbitrary, some are split and others are not. The model files are dynamically "lazy" loaded to save memory as a result. https://github.com/ggerganov/llama.cpp/blob/master/convert.py#L1348 The vocab can be set manually though. https://github.com/ggerganov/llama.cpp/blob/master/convert.py#L1461 Not sure if that answers your question. |
||||||||||||||||||||||||||||||||||||||||||
parser.add_argument("--vocabtype", choices=["spm", "bpe"], help="vocab format (default: spm)", default="spm") | ||||||||||||||||||||||||||||||||||||||||||
There was a problem hiding this comment. Choose a reason for hiding this commentThe reason will be displayed to describe this comment to others. Learn more. Since you removed this argument in this PR, I think you better update the README.md file as well. |
||||||||||||||||||||||||||||||||||||||||||
parser.add_argument("--vocabtype", choices=["spm", "bpe", "hf"], help="vocab format (default: spm)", default="spm") | ||||||||||||||||||||||||||||||||||||||||||
parser.add_argument("--ctx", type=int, help="model training context (default: based on input)") | ||||||||||||||||||||||||||||||||||||||||||
parser.add_argument("--concurrency", type=int, help=f"concurrency used for conversion (default: {DEFAULT_CONCURRENCY})", default = DEFAULT_CONCURRENCY) | ||||||||||||||||||||||||||||||||||||||||||
args = parser.parse_args(args_in) | ||||||||||||||||||||||||||||||||||||||||||
|
@@ -1162,7 +1242,7 @@ def main(args_in: list[str] | None = None) -> None: | |||||||||||||||||||||||||||||||||||||||||
assert args.outfile, "need --outfile if using --vocab-only" | ||||||||||||||||||||||||||||||||||||||||||
# FIXME: Try to respect vocab_dir somehow? | ||||||||||||||||||||||||||||||||||||||||||
vocab = load_vocab(args.vocab_dir or args.model, args.vocabtype) | ||||||||||||||||||||||||||||||||||||||||||
special_vocab = gguf.SpecialVocab(model_plus.paths[0].parent, load_merges = args.vocabtype == 'bpe') | ||||||||||||||||||||||||||||||||||||||||||
special_vocab = gguf.SpecialVocab(model_plus.paths[0].parent, load_merges = isinstance(vocab, BpeVocab) or isinstance(vocab, HFVocab)) | ||||||||||||||||||||||||||||||||||||||||||
outfile = args.outfile | ||||||||||||||||||||||||||||||||||||||||||
OutputFile.write_vocab_only(outfile, params, vocab, special_vocab) | ||||||||||||||||||||||||||||||||||||||||||
print(f"Wrote {outfile}") | ||||||||||||||||||||||||||||||||||||||||||
|
@@ -1174,7 +1254,7 @@ def main(args_in: list[str] | None = None) -> None: | |||||||||||||||||||||||||||||||||||||||||
vocab_dir = args.vocab_dir if args.vocab_dir else model_plus.paths[0].parent | ||||||||||||||||||||||||||||||||||||||||||
vocab = load_vocab(vocab_dir, args.vocabtype) | ||||||||||||||||||||||||||||||||||||||||||
# FIXME: Try to respect vocab_dir somehow? | ||||||||||||||||||||||||||||||||||||||||||
special_vocab = gguf.SpecialVocab(model_plus.paths[0].parent, load_merges = args.vocabtype == 'bpe') | ||||||||||||||||||||||||||||||||||||||||||
special_vocab = gguf.SpecialVocab(model_plus.paths[0].parent, load_merges = isinstance(vocab, BpeVocab) or isinstance(vocab, HFVocab)) | ||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
model = model_plus.model | ||||||||||||||||||||||||||||||||||||||||||
model = convert_model_names(model, params) | ||||||||||||||||||||||||||||||||||||||||||
|
There was a problem hiding this comment.
Choose a reason for hiding this comment
The reason will be displayed to describe this comment to others. Learn more.
you are not returning a boolean value in this method
There was a problem hiding this comment.
Choose a reason for hiding this comment
The reason will be displayed to describe this comment to others. Learn more.
I've fixed the one you pointed out. Thank you.