mirror of
https://github.com/ggerganov/llama.cpp.git
synced 2024-12-26 03:14:35 +00:00
parent
6fe1c62741
commit
52399254b3
@ -13246,7 +13246,7 @@ struct llm_tokenizer_wpm {
|
|||||||
const std::vector<uint32_t> cpts_nfd = unicode_cpts_normalize_nfd(unicode_cpts_from_utf8(text));
|
const std::vector<uint32_t> cpts_nfd = unicode_cpts_normalize_nfd(unicode_cpts_from_utf8(text));
|
||||||
std::vector<std::string> words(1, "");
|
std::vector<std::string> words(1, "");
|
||||||
|
|
||||||
for (const char32_t cpt : cpts_nfd) {
|
for (const uint32_t cpt : cpts_nfd) {
|
||||||
const auto flags = unicode_cpt_flags(cpt);
|
const auto flags = unicode_cpt_flags(cpt);
|
||||||
|
|
||||||
if (flags.is_whitespace) {
|
if (flags.is_whitespace) {
|
||||||
|
22
unicode.cpp
22
unicode.cpp
@ -226,7 +226,7 @@ static std::vector<size_t> unicode_regex_split_custom_gpt2(const std::string & t
|
|||||||
assert(offset_end <= cpts.size());
|
assert(offset_end <= cpts.size());
|
||||||
start = offset_end;
|
start = offset_end;
|
||||||
|
|
||||||
auto _get_cpt = [&] (const size_t pos) -> char32_t {
|
auto _get_cpt = [&] (const size_t pos) -> uint32_t {
|
||||||
return (offset_ini <= pos && pos < offset_end) ? cpts[pos] : 0;
|
return (offset_ini <= pos && pos < offset_end) ? cpts[pos] : 0;
|
||||||
};
|
};
|
||||||
|
|
||||||
@ -253,18 +253,18 @@ static std::vector<size_t> unicode_regex_split_custom_gpt2(const std::string & t
|
|||||||
};
|
};
|
||||||
|
|
||||||
for (size_t pos = offset_ini; pos < offset_end; /*pos++*/ ) {
|
for (size_t pos = offset_ini; pos < offset_end; /*pos++*/ ) {
|
||||||
const char32_t cpt = _get_cpt(pos);
|
const uint32_t cpt = _get_cpt(pos);
|
||||||
const auto flags = _get_flags(pos);
|
const auto flags = _get_flags(pos);
|
||||||
|
|
||||||
// regex: 's|'t|'re|'ve|'m|'ll|'d
|
// regex: 's|'t|'re|'ve|'m|'ll|'d
|
||||||
if (cpt == '\'' && pos+1 < offset_end) {
|
if (cpt == '\'' && pos+1 < offset_end) {
|
||||||
char32_t cpt_next = _get_cpt(pos+1);
|
uint32_t cpt_next = _get_cpt(pos+1);
|
||||||
if (cpt_next == 's' || cpt_next == 't' || cpt_next == 'm' || cpt_next == 'd') {
|
if (cpt_next == 's' || cpt_next == 't' || cpt_next == 'm' || cpt_next == 'd') {
|
||||||
pos += _add_token(pos+2);
|
pos += _add_token(pos+2);
|
||||||
continue;
|
continue;
|
||||||
}
|
}
|
||||||
if (pos+2 < offset_end) {
|
if (pos+2 < offset_end) {
|
||||||
char32_t cpt_next_next = _get_cpt(pos+2);
|
uint32_t cpt_next_next = _get_cpt(pos+2);
|
||||||
if ((cpt_next == 'r' && cpt_next_next == 'e') ||
|
if ((cpt_next == 'r' && cpt_next_next == 'e') ||
|
||||||
(cpt_next == 'v' && cpt_next_next == 'e') ||
|
(cpt_next == 'v' && cpt_next_next == 'e') ||
|
||||||
(cpt_next == 'l' && cpt_next_next == 'l')) {
|
(cpt_next == 'l' && cpt_next_next == 'l')) {
|
||||||
@ -344,7 +344,7 @@ static std::vector<size_t> unicode_regex_split_custom_llama3(const std::string &
|
|||||||
assert(offset_end <= cpts.size());
|
assert(offset_end <= cpts.size());
|
||||||
start = offset_end;
|
start = offset_end;
|
||||||
|
|
||||||
auto _get_cpt = [&] (const size_t pos) -> char32_t {
|
auto _get_cpt = [&] (const size_t pos) -> uint32_t {
|
||||||
return (offset_ini <= pos && pos < offset_end) ? cpts[pos] : 0;
|
return (offset_ini <= pos && pos < offset_end) ? cpts[pos] : 0;
|
||||||
};
|
};
|
||||||
|
|
||||||
@ -371,18 +371,18 @@ static std::vector<size_t> unicode_regex_split_custom_llama3(const std::string &
|
|||||||
};
|
};
|
||||||
|
|
||||||
for (size_t pos = offset_ini; pos < offset_end; /*pos++*/ ) {
|
for (size_t pos = offset_ini; pos < offset_end; /*pos++*/ ) {
|
||||||
const char32_t cpt = _get_cpt(pos);
|
const uint32_t cpt = _get_cpt(pos);
|
||||||
const auto flags = _get_flags(pos);
|
const auto flags = _get_flags(pos);
|
||||||
|
|
||||||
// regex: (?i:'s|'t|'re|'ve|'m|'ll|'d) // case insensitive
|
// regex: (?i:'s|'t|'re|'ve|'m|'ll|'d) // case insensitive
|
||||||
if (cpt == '\'' && pos+1 < offset_end) {
|
if (cpt == '\'' && pos+1 < offset_end) {
|
||||||
char32_t cpt_next = unicode_tolower(_get_cpt(pos+1));
|
uint32_t cpt_next = unicode_tolower(_get_cpt(pos+1));
|
||||||
if (cpt_next == 's' || cpt_next == 't' || cpt_next == 'm' || cpt_next == 'd') {
|
if (cpt_next == 's' || cpt_next == 't' || cpt_next == 'm' || cpt_next == 'd') {
|
||||||
pos += _add_token(pos+2);
|
pos += _add_token(pos+2);
|
||||||
continue;
|
continue;
|
||||||
}
|
}
|
||||||
if (pos+2 < offset_end) {
|
if (pos+2 < offset_end) {
|
||||||
char32_t cpt_next_next = unicode_tolower(_get_cpt(pos+2));
|
uint32_t cpt_next_next = unicode_tolower(_get_cpt(pos+2));
|
||||||
if ((cpt_next == 'r' && cpt_next_next == 'e') ||
|
if ((cpt_next == 'r' && cpt_next_next == 'e') ||
|
||||||
(cpt_next == 'v' && cpt_next_next == 'e') ||
|
(cpt_next == 'v' && cpt_next_next == 'e') ||
|
||||||
(cpt_next == 'l' && cpt_next_next == 'l')) {
|
(cpt_next == 'l' && cpt_next_next == 'l')) {
|
||||||
@ -424,7 +424,7 @@ static std::vector<size_t> unicode_regex_split_custom_llama3(const std::string &
|
|||||||
while (!(flags2.is_whitespace || flags2.is_letter || flags2.is_number || flags2.is_undefined)) {
|
while (!(flags2.is_whitespace || flags2.is_letter || flags2.is_number || flags2.is_undefined)) {
|
||||||
flags2 = _get_flags(++pos);
|
flags2 = _get_flags(++pos);
|
||||||
}
|
}
|
||||||
char32_t cpt2 = _get_cpt(pos);
|
uint32_t cpt2 = _get_cpt(pos);
|
||||||
while (cpt2 == '\r' || cpt2 == '\n') {
|
while (cpt2 == '\r' || cpt2 == '\n') {
|
||||||
cpt2 = _get_cpt(++pos);
|
cpt2 = _get_cpt(++pos);
|
||||||
}
|
}
|
||||||
@ -435,7 +435,7 @@ static std::vector<size_t> unicode_regex_split_custom_llama3(const std::string &
|
|||||||
size_t num_whitespaces = 0;
|
size_t num_whitespaces = 0;
|
||||||
size_t last_end_r_or_n = 0;
|
size_t last_end_r_or_n = 0;
|
||||||
while (_get_flags(pos+num_whitespaces).is_whitespace) {
|
while (_get_flags(pos+num_whitespaces).is_whitespace) {
|
||||||
char32_t cpt2 = _get_cpt(pos+num_whitespaces);
|
uint32_t cpt2 = _get_cpt(pos+num_whitespaces);
|
||||||
if (cpt2 == '\r' || cpt2 == '\n') {
|
if (cpt2 == '\r' || cpt2 == '\n') {
|
||||||
last_end_r_or_n = pos + num_whitespaces + 1;
|
last_end_r_or_n = pos + num_whitespaces + 1;
|
||||||
}
|
}
|
||||||
@ -626,7 +626,7 @@ uint8_t unicode_utf8_to_byte(const std::string & utf8) {
|
|||||||
return map.at(utf8);
|
return map.at(utf8);
|
||||||
}
|
}
|
||||||
|
|
||||||
char32_t unicode_tolower(char32_t cp) {
|
uint32_t unicode_tolower(uint32_t cp) {
|
||||||
auto it = unicode_map_lowercase.find(cp);
|
auto it = unicode_map_lowercase.find(cp);
|
||||||
return it == unicode_map_lowercase.end() ? cp : it->second;
|
return it == unicode_map_lowercase.end() ? cp : it->second;
|
||||||
}
|
}
|
||||||
|
@ -58,6 +58,6 @@ codepoint_flags unicode_cpt_flags(const std::string & utf8);
|
|||||||
std::string unicode_byte_to_utf8(uint8_t byte);
|
std::string unicode_byte_to_utf8(uint8_t byte);
|
||||||
uint8_t unicode_utf8_to_byte(const std::string & utf8);
|
uint8_t unicode_utf8_to_byte(const std::string & utf8);
|
||||||
|
|
||||||
char32_t unicode_tolower(char32_t cp);
|
uint32_t unicode_tolower(uint32_t cp);
|
||||||
|
|
||||||
std::vector<std::string> unicode_regex_split(const std::string & text, const std::vector<std::string> & regex_exprs);
|
std::vector<std::string> unicode_regex_split(const std::string & text, const std::vector<std::string> & regex_exprs);
|
||||||
|
Loading…
Reference in New Issue
Block a user