# Implementing A Byte Pair Encoding \(BPE\) Tokenizer From Scratch - 发布方：Sebastian Raschka, PhD（个人博客）；作者：Sebastian Raschka - 形式：文章 · en - 原始资源：[https://sebastianraschka.com/blog/2025/bpe-from-scratch.html]() - 本站页面：[https://oplearnx.com/resources/res\_7dc77d98kep7]() - 学习主题：人工智能 / 大语言模型 LLM / 模型结构与预训练 / 分词与词表；人工智能 / 大语言模型 LLM；人工智能 / 大语言模型 LLM / 模型结构与预训练 - 内容状态：状态待核验 - 原始发布时间：2025-01-17 14:03 - 本站首次收录：2026-10-26 00:17 ## 能学到什么 理解并亲手实现 BPE 分词算法：从字节到词表的合并过程、GPT 风格 merge 规则、编码与解码，以及与 tiktoken 接口对齐的简单实现。 - 把文本转换成 UTF-8 字节序列并解释为什么字节取值是 0–255 - 说明 BPE 的训练流程：找最高频相邻对、合并为新 ID、记录合并表、直到无法再压缩 - 手写一个简单的 BPE 训练函数，从语料中得到合并规则和词表 - 实现 encode\(\) 编码：按学习顺序由高到低应用合并，得到 token ID 列表 - 实现 decode\(\)，按合并引入的逆序还原原始文本 - 用 tiktoken 加载 GPT-2 编码器，对照检查自己实现的编码结果 - 解释词表大小这一超参数对分词结果的影响 ## 适合我吗 - 适合：想搞清 LLM 分词原理并动手写代码的学习者；内容为逐步拆解的实现讲解，适合自学与复现。 - 需要留意：只想要现成分词工具用法、不关心算法内部机制的人；也不覆盖词表之外的 LLM 训练流程。 ## 前置条件与费用 - 知识前置：会基础 Python（类、字典、列表、循环）；了解文本如何编码成字节会更顺畅。 - 软件、账号与硬件：可运行 Python 的环境；如对照 tiktoken 结果需安装 tiktoken（README 中作为示例使用）。 - 内容费用：免费：节选里可直接读到正文讲解、示例代码与步骤，未出现付费墙或登录拦截。 - 实践费用：实践无额外费用：实现与示例均在本机 Python 运行，未提及需要付费云服务、API 或 GPU。 - 转载与修改：按材料分别核对，见本页“来源核验与开课实跑”；仓库许可不自动适用于教材或视频。 ## 准备工具 - [浏览器]()：阅读教程正文 - Python 3：运行文中的示例代码与 BPETokenizerSimple 实现 - Jupyter Notebook 或编辑器：交互式执行并记录代码 - tiktoken：加载 GPT-2 编码器，对照自己实现的编码结果 ## 学习指南 开课检查：提示词由本站整理，尚未按提示词实际完成开课检查。 ### 开课提示词（Windows） ```text 请帮我把「Implementing A Byte Pair Encoding (BPE) Tokenizer From Scratch」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。 开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。 课程入口：https://sebastianraschka.com/blog/2025/bpe-from-scratch.html 我的系统：Windows。如果实际不符，先调整方案。 本次路线：Windows：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。 练习：用一两个小语料训练自己的分词器，调整词表大小观察合并次数与 token 数量的变化，并与 tiktoken 的 GPT-2 结果对照。 课节（官方顺序）： 1. Implementing A Byte Pair Encoding (BPE) Tokenizer From Scratch：https://sebastianraschka.com/blog/2025/bpe-from-scratch.html 1. 环境 - Python 3 - 可选：jupyter 或 VS Code - 可选：pip install tiktoken - 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。 2. 材料 - 官方课程页面：只记录链接 https://sebastianraschka.com/blog/2025/bpe-from-scratch.html 3. 目录（最外层放在我确认的位置） bpe-tokenizer-from-scratch-raschka/ ├── README.md # 课程入口、课节清单、每次怎么开始 ├── progress.md # 每课：读讲义 / 做练习 / 记笔记 ├── questions.md # 待解决的问题 ├── check-env.ps1 # 环境自检，按 README 操作 ├── data/ # 练习用到的样例数据 └── lessons/ # 每课一个文件夹：notes.md + exercises/ └── 01-01-implementing-a-byte-pair-encoding/ - 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。 - 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。 4. 自检 - 创建 check-env.ps1，逐项检查并记录“通过/未通过”： - 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。将下面检查转换为 PowerShell 命令，不使用 Bash 语法。 - python -c "print(list(bytearray('This is some text','utf-8')))" → 打印 17 个整数，首项为 84。 - python -c "import tiktoken;print(tiktoken.get_encoding('gpt2').encode('This is some text'))" → 输出 [1212, 318, 617, 2420]。 - 运行自己的 decode(encode("This is some text")) → 输出与原文本完全一致。 - 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。 - 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。 - 运行一次，把结果给我看；未通过的项目说明原因和修复办法。 5. 学习计划 - README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。 - progress.md：每课三项勾选——读讲义、做练习、记笔记。 6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。 边界： - 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。 - 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。 - 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。 如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。 ``` ### 开课提示词（macOS） ```text 请帮我把「Implementing A Byte Pair Encoding (BPE) Tokenizer From Scratch」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。 开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。 课程入口：https://sebastianraschka.com/blog/2025/bpe-from-scratch.html 我的系统：macOS。如果实际不符，先调整方案。 本次路线：macOS：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。 练习：用一两个小语料训练自己的分词器，调整词表大小观察合并次数与 token 数量的变化，并与 tiktoken 的 GPT-2 结果对照。 课节（官方顺序）： 1. Implementing A Byte Pair Encoding (BPE) Tokenizer From Scratch：https://sebastianraschka.com/blog/2025/bpe-from-scratch.html 1. 环境 - Python 3 - 可选：jupyter 或 VS Code - 可选：pip install tiktoken - 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。 2. 材料 - 官方课程页面：只记录链接 https://sebastianraschka.com/blog/2025/bpe-from-scratch.html 3. 目录（最外层放在我确认的位置） bpe-tokenizer-from-scratch-raschka/ ├── README.md # 课程入口、课节清单、每次怎么开始 ├── progress.md # 每课：读讲义 / 做练习 / 记笔记 ├── questions.md # 待解决的问题 ├── check-env.sh # 环境自检，按 README 操作 ├── data/ # 练习用到的样例数据 └── lessons/ # 每课一个文件夹：notes.md + exercises/ └── 01-01-implementing-a-byte-pair-encoding/ - 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。 - 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。 4. 自检 - 创建 check-env.sh，逐项检查并记录“通过/未通过”： - 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。 - python -c "print(list(bytearray('This is some text','utf-8')))" → 打印 17 个整数，首项为 84。 - python -c "import tiktoken;print(tiktoken.get_encoding('gpt2').encode('This is some text'))" → 输出 [1212, 318, 617, 2420]。 - 运行自己的 decode(encode("This is some text")) → 输出与原文本完全一致。 - 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。 - 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。 - 运行一次，把结果给我看；未通过的项目说明原因和修复办法。 5. 学习计划 - README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。 - progress.md：每课三项勾选——读讲义、做练习、记笔记。 6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。 边界： - 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。 - 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。 - 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。 如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。 ``` ### 开课提示词（Linux） ```text 请帮我把「Implementing A Byte Pair Encoding (BPE) Tokenizer From Scratch」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。 开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。 课程入口：https://sebastianraschka.com/blog/2025/bpe-from-scratch.html 我的系统：Linux。如果实际不符，先调整方案。 本次路线：Linux：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。 练习：用一两个小语料训练自己的分词器，调整词表大小观察合并次数与 token 数量的变化，并与 tiktoken 的 GPT-2 结果对照。 课节（官方顺序）： 1. Implementing A Byte Pair Encoding (BPE) Tokenizer From Scratch：https://sebastianraschka.com/blog/2025/bpe-from-scratch.html 1. 环境 - Python 3 - 可选：jupyter 或 VS Code - 可选：pip install tiktoken - 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。 2. 材料 - 官方课程页面：只记录链接 https://sebastianraschka.com/blog/2025/bpe-from-scratch.html 3. 目录（最外层放在我确认的位置） bpe-tokenizer-from-scratch-raschka/ ├── README.md # 课程入口、课节清单、每次怎么开始 ├── progress.md # 每课：读讲义 / 做练习 / 记笔记 ├── questions.md # 待解决的问题 ├── check-env.sh # 环境自检，按 README 操作 ├── data/ # 练习用到的样例数据 └── lessons/ # 每课一个文件夹：notes.md + exercises/ └── 01-01-implementing-a-byte-pair-encoding/ - 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。 - 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。 4. 自检 - 创建 check-env.sh，逐项检查并记录“通过/未通过”： - 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。 - python -c "print(list(bytearray('This is some text','utf-8')))" → 打印 17 个整数，首项为 84。 - python -c "import tiktoken;print(tiktoken.get_encoding('gpt2').encode('This is some text'))" → 输出 [1212, 318, 617, 2420]。 - 运行自己的 decode(encode("This is some text")) → 输出与原文本完全一致。 - 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。 - 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。 - 运行一次，把结果给我看；未通过的项目说明原因和修复办法。 5. 学习计划 - README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。 - progress.md：每课三项勾选——读讲义、做练习、记笔记。 6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。 边界： - 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。 - 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。 - 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。 如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。 ``` ### 每课提示词 ```text 继续学习「Implementing A Byte Pair Encoding (BPE) Tokenizer From Scratch」。课程目录是 bpe-tokenizer-from-scratch-raschka/（不知道完整路径就先问我）。 1. 读 progress.md，找到下一课；如果我指定了第几课，就准备那一课。 2. 打开这一课的官方页面和本地讲义，列出本课练习要用的工具、文件和样例数据。缺少的先告诉我，等我同意再安装或下载。 3. 在 lessons/ 对应的课节文件夹里准备好练习：exercises/ 里给每道题建一个文件，写上题号和题目原文链接，不写答案；已有文件保留，样例数据放到 data/。拿不到官方题目或起始代码时记录限制，不编造替代品。 4. 按 README 运行开课时生成的自检脚本或在线检查清单，并检查本课新增工具能否正常使用。 5. 告诉我：本课先读哪几节、从哪道练习开始、大约需要多久。我学完后，帮我在 progress.md 勾选并把问题整理到 questions.md。 边界： - 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。 - 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。 - 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。 ``` ### 课节（官方顺序） 1. [Implementing A Byte Pair Encoding \(BPE\) Tokenizer From Scratch]() ## 指南参考 - [课程主页]() ## 来源、许可与验证记录 - **开课提示词未完整验证，需要自备账号或资源**：Python 运行环境（用于运行文中示例与实现）；tiktoken 库（用于加载 GPT-2 编码器做对照） - 转载与修改 · 课程页面与材料：未找到明确许可。网页未写明本博客文章的许可；文中链接的示例 notebook 托管于作者 GitHub 仓库，仓库许可原文未说明 [依据]() - 链接检查：1/1 个可以访问 ## 来源与推荐 - 编辑整理收录 --- 来源：LearnMap · 学径（https://oplearnx.com）