In diesem Artikel zeigen wir Ihnen, wie Sie mit Ruby ein sehr einfaches Sprachmodell erstellen. Während echte Large Language Models (LLMs) enorme Datenmengen und Rechenressourcen erfordern, können wir ein Spielzeugmodell erstellen, das viele der Kernkonzepte der Sprachmodellierung demonstriert. In unserem Beispiel erstellen wir ein einfaches Markov-Ketten-Modell, das aus Eingabetext „lernt“ und dann basierend auf den beobachteten Mustern neuen Text generiert.    Dieses Tutorial dient Bildungszwecken und veranschaulicht einen vereinfachten Ansatz zur Sprachmodellierung. Es ist kein Ersatz für moderne Deep Learning LLMs wie GPT-4, sondern vielmehr eine Einführung in die zugrunde liegenden Ideen. Hinweis:  Inhaltsverzeichnis   Die Grundlagen von Sprachmodellen verstehen   Einrichten Ihrer Ruby-Umgebung   Datenerfassung und Vorverarbeitung   Erstellen des Markow-Kettenmodells   Trainieren des Modells   Text generieren und testen   Abschluss  Die Grundlagen von Sprachmodellen verstehen  Ein   ist ein System, das Wortfolgen Wahrscheinlichkeiten zuweist. Im Kern ist es darauf ausgelegt, die statistische Struktur der Sprache zu erfassen, indem es die Wahrscheinlichkeit des Auftretens einer bestimmten Folge in einem bestimmten Kontext ermittelt. Das bedeutet, dass das Modell große Textmengen analysiert, um zu verstehen, wie Wörter normalerweise aufeinander folgen. Dadurch kann es vorhersagen, welches Wort oder welche Phrase als nächstes in einer Folge kommen könnte. Solche Fähigkeiten sind nicht nur für Aufgaben wie Textgenerierung und automatische Vervollständigung von zentraler Bedeutung, sondern auch für eine Vielzahl von Anwendungen zur Verarbeitung natürlicher Sprache (Natural Language Processing, NLP), darunter Übersetzung, Zusammenfassung und Stimmungsanalyse. Sprachmodell  Moderne groß angelegte Sprachmodelle (LLMs) wie GPT-4 verwenden Deep-Learning-Techniken und riesige Datensätze, um komplexe Muster in der Sprache zu erfassen. Sie funktionieren, indem sie Eingabetexte durch zahlreiche Schichten künstlicher Neuronen verarbeiten, wodurch sie menschenähnliche Texte mit bemerkenswerter Flüssigkeit verstehen und generieren können. Hinter diesen hochentwickelten Systemen verbirgt sich jedoch dieselbe Grundidee: das Verstehen und Vorhersagen von Wortfolgen auf der Grundlage erlernter Wahrscheinlichkeiten.  Eine der einfachsten Methoden zur Modellierung von Sprache ist die   . Eine Markow-Kette ist ein statistisches Modell, das davon ausgeht, dass die Wahrscheinlichkeit des Vorkommens eines Wortes nur von einer begrenzten Anzahl vorangehender Wörter abhängt und nicht von der gesamten Texthistorie. Dieses Konzept ist als Markow-Eigenschaft bekannt. In der Praxis geht das Modell davon aus, dass das nächste Wort in einer Sequenz nur durch Betrachtung des/der letzten Wortes/Wörter vorhergesagt werden kann – eine Vereinfachung, die das Problem rechnerisch leichter handhabbar macht und dennoch nützliche Muster in den Daten erfasst. Markow-Kette  In einem auf Markow-Ketten basierenden Sprachmodell:    Das bedeutet, dass wir, sobald wir die letzten paar Wörter kennen (bestimmt durch die Reihenfolge des Modells), über genügend Kontext verfügen, um vorherzusagen, was als nächstes kommen könnte. Der gesamte Verlauf des Gesprächs oder Textes muss nicht berücksichtigt werden, was die Komplexität reduziert. Der zukünftige Zustand (nächstes Wort) hängt nur vom aktuellen Zustand (vorherige Wörter) ab:    Während das Modell anhand eines Textkorpus trainiert wird, lernt es die Wahrscheinlichkeit, mit der verschiedene Wörter einer bestimmten Sequenz folgen. Diese Wahrscheinlichkeitsverteilung wird dann während der Generierungsphase verwendet, um das nächste Wort in der Sequenz auszuwählen. Dabei wird normalerweise ein Zufallsstichprobenverfahren verwendet, das die gelernten Wahrscheinlichkeiten berücksichtigt. Wir erstellen eine Wahrscheinlichkeitsverteilung, die angibt, welches Wort als nächstes kommt, wenn die vorhergehenden Wörter berücksichtigt werden:  In unserer Implementierung verwenden wir eine konfigurierbare „Reihenfolge“, um zu bestimmen, wie viele vorherige Wörter bei Vorhersagen berücksichtigt werden sollen. Eine höhere Reihenfolge bietet mehr Kontext und führt möglicherweise zu einem kohärenteren und kontextrelevanteren Text, da das Modell mehr Informationen über das Vorangegangene hat. Umgekehrt führt eine niedrigere Reihenfolge zu mehr Zufälligkeit und kann zu kreativeren, wenn auch weniger vorhersehbaren Wortfolgen führen. Dieser Kompromiss zwischen Kohärenz und Kreativität ist eine zentrale Überlegung bei der Sprachmodellierung.  Durch das Verständnis dieser Grundprinzipien können wir sowohl die Einfachheit von Markow-Ketten-Modellen als auch die grundlegenden Ideen, die komplexeren neuronalen Sprachmodellen zugrunde liegen, verstehen. Diese erweiterte Sichtweise hilft nicht nur dabei, die statistischen Mechanismen hinter der Sprachvorhersage zu verstehen, sondern legt auch den Grundstein für das Experimentieren mit fortgeschritteneren Techniken der natürlichen Sprachverarbeitung.  Einrichten Ihrer Ruby-Umgebung  Bevor Sie beginnen, stellen Sie sicher, dass Ruby auf Ihrem System installiert ist. Sie können Ihre Ruby-Version überprüfen, indem Sie Folgendes ausführen:   ruby -v  Wenn Ruby nicht installiert ist, können Sie es von   herunterladen. ruby-lang.org  Für unser Projekt möchten Sie möglicherweise ein dediziertes Verzeichnis und eine Datei erstellen:   mkdir tiny_llm cd tiny_llm touch llm.rb  Jetzt sind Sie bereit, Ihren Ruby-Code zu schreiben.  Datenerfassung und Vorverarbeitung  Sammeln von Trainingsdaten  Für ein Sprachmodell benötigen Sie ein Textkorpus. Sie können jede beliebige Textdatei zum Trainieren verwenden. Für unser einfaches Beispiel könnten Sie eine kleine Textprobe verwenden, zum Beispiel:   sample_text = <<~TEXT Once upon a time in a land far, far away, there was a small village. In this village, everyone knew each other, and tales of wonder were told by the elders. The wind whispered secrets through the trees and carried the scent of adventure. TEXT  Vorverarbeitung der Daten  Vor dem Training ist es sinnvoll, den Text vorzuverarbeiten:    Text in Wörter aufteilen. Tokenisierung:    Text optional in Kleinbuchstaben umwandeln, Satzzeichen entfernen usw. Normalisierung:  Für unsere Zwecke funktioniert   -Methode von Ruby für die Tokenisierung gut genug. String#split  Erstellen des Markow-Kettenmodells  Wir erstellen eine Ruby-Klasse namens   um das Verhalten des Modells zu kapseln. Die Klasse enthält: MarkovChain  Ein Initialisierer zum Festlegen der Reihenfolge (Anzahl der vorangehenden Wörter) für die Kette.  Eine   , die die Kette aus dem Eingabetext erstellt. train  Eine   , die durch Sampling aus der Kette neuen Text erzeugt. generate  Unten finden Sie den vollständigen Code für das Modell:   class MarkovChain def initialize(order = 2) @order = order # The chain is a hash that maps a sequence of words (key) to an array of possible next words. @chain = Hash.new { |hash, key| hash[key] = [] } end # Train the model using the provided text. def train(text) # Optionally normalize the text (eg, downcase) processed_text = text.downcase.strip words = processed_text.split # Iterate over the words using sliding window technique. words.each_cons(@order + 1) do |words_group| key = words_group[0...@order].join(" ") next_word = words_group.last @chain[key] << next_word end end # Generate new text using the Markov chain. def generate(max_words = 50, seed = nil) # Choose a random seed from the available keys if none is provided or if the seed is invalid. if seed.nil? || !@chain.key?(seed) seed = @chain.keys.sample end generated = seed.split while generated.size < max_words # Form the key from the last 'order' words. key = generated.last(@order).join(" ") possible_next_words = @chain[key] break if possible_next_words.nil? || possible_next_words.empty? # Randomly choose the next word from the possibilities. next_word = possible_next_words.sample generated << next_word end generated.join(" ") end end  Erläuterung des Codes  **Initialisierung:** Der Konstruktor   legt die Reihenfolge fest (Standard ist 2) und erstellt einen leeren Hash für unsere Kette. Der Hash erhält einen Standardblock, sodass jeder neue Schlüssel als leeres Array beginnt. initialize  **Training des Modells:** Die   nimmt eine Textzeichenfolge, normalisiert sie und zerlegt sie in Wörter. Mithilfe von   werden aufeinanderfolgende Wortgruppen mit der Länge   erstellt. Die Wörter erster   dienen als Schlüssel und das letzte Wort wird an das Array möglicher Fortsetzungen für diesen Schlüssel angehängt. train each_cons order + 1 order  **Text generieren:**Die Methode   beginnt mit einem Startschlüssel. Wenn keiner angegeben ist, wird ein zufälliger Schlüssel gewählt. Anschließend wird iterativ eine Sequenz erstellt, indem die Wörter der letzten   nachgeschlagen und das nächste Wort abgetastet wird, bis die maximale Wortanzahl erreicht ist. generate order  Trainieren des Modells  Da wir nun unsere   Klasse haben, trainieren wir sie anhand einiger Textdaten. MarkovChain   # Sample text data for training sample_text = <<~TEXT Once upon a time in a land far, far away, there was a small village. In this village, everyone knew each other, and tales of wonder were told by the elders. The wind whispered secrets through the trees and carried the scent of adventure. TEXT # Create a new MarkovChain instance with order 2 model = MarkovChain.new(2) model.train(sample_text) puts "Training complete!"  Wenn Sie den obigen Code ausführen (z. B. indem Sie ihn in   speichern und   ausführen), wird das Modell mit dem bereitgestellten Beispieltext trainiert. llm.rb ruby llm.rb  Text generieren und testen  Sobald das Modell trainiert ist, können Sie neuen Text generieren. Fügen wir etwas Code hinzu, um einen Beispieltext zu generieren und auszudrucken:   # Generate new text using the trained model. generated_text = model.generate(50) puts "Generated Text:" puts generated_text  Sie können auch versuchen, einen Seed für die Textgenerierung bereitzustellen. Wenn Sie beispielsweise einen der Schlüssel im Modell kennen (wie   ), können Sie Folgendes tun: "once upon"   seed = "once upon" generated_text_with_seed = model.generate(50, seed) puts "\nGenerated Text with seed '#{seed}':" puts generated_text_with_seed  Durch Experimentieren mit unterschiedlichen Seeds und Parametern (wie etwa der Reihenfolge und der maximalen Anzahl von Wörtern) können Sie sehen, wie das Ergebnis variiert.  Vollständiges Beispiel: Trainieren und Testen eines winzigen LLM  Hier ist das vollständige Ruby-Skript, das alle oben genannten Schritte kombiniert:   #!/usr/bin/env ruby # llm.rb # Define the MarkovChain class class MarkovChain def initialize(order = 2) @order = order @chain = Hash.new { |hash, key| hash[key] = [] } end def train(text) processed_text = text.downcase.strip words = processed_text.split words.each_cons(@order + 1) do |words_group| key = words_group[0...@order].join(" ") next_word = words_group.last @chain[key] << next_word end end def generate(max_words = 50, seed = nil) if seed.nil? || !@chain.key?(seed) seed = @chain.keys.sample end generated = seed.split while generated.size < max_words key = generated.last(@order).join(" ") possible_next_words = @chain[key] break if possible_next_words.nil? || possible_next_words.empty? next_word = possible_next_words.sample generated << next_word end generated.join(" ") end end # Sample text data for training sample_text = <<~TEXT Once upon a time in a land far, far away, there was a small village. In this village, everyone knew each other, and tales of wonder were told by the elders. The wind whispered secrets through the trees and carried the scent of adventure. TEXT # Create and train the model model = MarkovChain.new(2) model.train(sample_text) puts "Training complete!" # Generate text without a seed generated_text = model.generate(50) puts "\nGenerated Text:" puts generated_text # Generate text with a specific seed seed = "once upon" generated_text_with_seed = model.generate(50, seed) puts "\nGenerated Text with seed '#{seed}':" puts generated_text_with_seed  Ausführen des Skripts  Speichern Sie das Skript als  llm.rb  Öffnen Sie Ihr Terminal und navigieren Sie zu dem Verzeichnis, das   enthält. llm.rb  Führen Sie das Skript mit folgendem Befehl aus:   ruby llm.rb  Sie sollten eine Ausgabe sehen, die angibt, dass das Modell trainiert wurde, und dann zwei Beispiele für generierten Text.  Vergleichsindex  Die folgende Tabelle fasst einige Benchmark-Kennzahlen für verschiedene Versionen unserer Tiny LLM-Implementierungen zusammen. Jede Kennzahl wird unten erläutert:    Der Name oder die Versionskennung des Sprachmodells. Modell:    Die Anzahl der vorherigen Wörter, die in der Markow-Kette verwendet werden, um das nächste Wort vorherzusagen. Eine höhere Reihenfolge bedeutet im Allgemeinen, dass mehr Kontext verwendet wird, was möglicherweise die Kohärenz erhöht. Reihenfolge:    Die ungefähre Zeit, die zum Trainieren des Modells anhand der bereitgestellten Textdaten benötigt wird, gemessen in Millisekunden. Trainingszeit (ms):    Die zum Generieren einer Beispieltextausgabe erforderliche Zeit, gemessen in Millisekunden. Generierungszeit (ms):    Die Speichermenge, die das Modell während des Trainings und der Generierung verbraucht. Speichernutzung (MB):    Eine subjektive Bewertung (von 5), die angibt, wie kohärent oder kontextuell angemessen der generierte Text ist. Kohärenzbewertung:  Nachfolgend finden Sie die Markdown-Tabelle mit den Benchmark-Daten:  Modell  Befehl  Trainingszeit (ms)  Generierungszeit (ms)  Speichernutzung (MB)  Kohärenzbewertung  Winziges LLM v1  2  50  10  10  3/5  Winziges LLM v2  3  70  15  12  3,5/5  Winziges LLM v3  4  100  20  15  4/5  Diese Benchmarks bieten einen schnellen Überblick über die Vor- und Nachteile verschiedener Modellkonfigurationen. Mit zunehmender Ordnung dauert das Training und die Textgenerierung des Modells tendenziell etwas länger und es verbraucht mehr Speicher. Dieser Anstieg des Ressourcenverbrauchs geht jedoch häufig mit einer Verbesserung der Kohärenz des generierten Textes einher.  Abschluss  In diesem Tutorial haben wir gezeigt, wie man mit Ruby ein sehr einfaches Sprachmodell erstellt. Durch den Einsatz der Markov-Ketten-Technik haben wir ein System erstellt, das:    durch das Lernen von Wortübergängen. Trainiert anhand von Beispieltexten    basierend auf erlernten Mustern. Generiert neuen Text  Obwohl dieses Spielzeugmodell weit von produktionstauglichen LLMs entfernt ist, dient es als Sprungbrett zum Verständnis der Funktionsweise von Sprachmodellen auf grundlegender Ebene. Sie können diese Idee erweitern, indem Sie fortgeschrittenere Techniken einbeziehen, die Zeichensetzung besser handhaben oder sogar Ruby in Bibliotheken für maschinelles Lernen integrieren, um anspruchsvollere Modelle zu erhalten.  Viel Spaß beim Programmieren!

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Read My Stories

Dieses Audio ist in der Originalsprache der Geschichte produziert!

So erstellen Sie ein Tiny Language Model (TLM) in Ruby: Eine Schritt-für-Schritt-Anleitung

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon Decoded 2024: Celebrating Our Management Community!

Welcome to HackerNoon Decoded: The Best of 2024 Tech Blogging

Starting 2025 with New Features: Settings Dashboard, HackerNoon Decoded, Updated Search UI, and More

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

HackerNoon Decoded 2024: Celebrating Our Management Community!

Welcome to HackerNoon Decoded: The Best of 2024 Tech Blogging

Starting 2025 with New Features: Settings Dashboard, HackerNoon Decoded, Updated Search UI, and More

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps