如何计算OpenAI的tokens(附：PHP，Go 与 Python计算字符串token的函数)

文 / @WordPress主题

在构建和使用基于OpenAI的聊天机器人或者其他AI应用时，了解如何计算使用的token数量是至关重要的。每次与OpenAI API交互时，我们都在使用一定数量的tokens，这些tokens被用来编码我们输入的信息。每一段文本信息，无论是请求还是响应，都被转换成一个个的token。了解这些token的数量，可以帮助我们更好地理解和管理我们的API使用情况。

在本文中，我们将会讲解如何计算OpenAI使用的token数量。我们将详细阐述何为token，为何需要关注token，以及在OpenAI中如何计算token数量。并且，我们还将提供两个函数示例，分别使用PHP和Python编写，可以帮助你快速估算一个字符串的token数量。

tokens计算原理

OpenAI 使用一种基于字节对编码（Byte Pair Encoding，BPE）的方法来进行字符串的 tokenization。对于英文，一个单词通常被认为是一个 token，但对于其他语言，如中文，一个字符可能就是一个 token。这里的问题是一个中文文本，每个中文字符一般就被视为一个 token。

PHP计算字符串token的函数

这是一个使用PHP编写的函数，用于简单估算一个字符串的token数量。此函数使用UTF-8编码，并计算了所有的Unicode字符，包括汉字、英文字母、数字、标点符号和空格。

请注意，这个函数是一个简化版的估算，实际的token数量可能会有所不同，因为不同的语言模型可能使用不同的分词规则。

php
function estimate_tokens($str) {
$totalTokens = 0;

//统计汉字数量
preg_match_all("/[\x{4e00}-\x{9fa5}]/u", $str, $chineseMatches);
$totalTokens += count($chineseMatches[0]);

//统计英文字母数量
preg_match_all("/[a-zA-Z]/", $str, $letterMatches);
$totalTokens += count($letterMatches[0]);

//统计数字数量
preg_match_all("/[0-9]/", $str, $numberMatches);
$totalTokens += count($numberMatches[0]);

//统计标点符号数量
preg_match_all("/[^\w\s]|_/", $str, $punctuationMatches);
$totalTokens += count($punctuationMatches[0]);

//统计空格数量
preg_match_all("/\s/", $str, $spaceMatches);
$totalTokens += count($spaceMatches[0]);

return $totalTokens;
}

// 测试函数
$str = "这是一个测试。Hello, world! 12345";
echo estimate_tokens($str); // 输出: 24

在此代码中，estimate_tokens函数将输入的字符串进行了分词，统计了各类字符的数量，然后将它们相加，得到了总的token数量。在测试函数部分，我们用一个包含汉字、英文、标点符号和数字的字符串来测试这个函数，并打印了结果。

Python计算字符串token的函数

在Python中，可以使用 tokenizers 这个库来计算一个字符串的token数量。这个库的 ByteLevelBPETokenizer 可以模拟GPT模型使用的BPE(Byte Pair Encoding)标记化方法。安装这个库可以使用命令 pip install tokenizers。

python
from tokenizers import Tokenizer
from tokenizers.models import BPE
from tokenizers.trainers import BpeTrainer
from tokenizers.pre_tokenizers import Whitespace

def train_tokenizer():
# 创建一个空的BPE模型
tokenizer = Tokenizer(BPE())

# 创建一个Trainer，并指定一些训练参数
trainer = BpeTrainer(special_tokens=["<s>", "<pad>", "</s>", "<unk>", "<mask>"])

# 创建一个PreTokenizer
pre_tokenizer = Whitespace()

# 使用Trainer和PreTokenizer训练BPE模型
tokenizer.pre_tokenizer = pre_tokenizer
files = ["/path/to/your/dataset.txt"] # 替换为你用来训练tokenizer的文本数据的路径
tokenizer.train(files, trainer)

return tokenizer

def count_tokens(text, tokenizer):
# 使用tokenizer将文本转化为tokens
output = tokenizer.encode(text)

# 输出的tokens的数量
return len(output.tokens)

# 创建tokenizer
tokenizer = train_tokenizer()

# 测试字符串的tokens数量
text = "这是一个测试句子。"
print(count_tokens(text, tokenizer))

请注意，这个代码需要一份大的文本数据来训练tokenizer，这样它才能理解如何把文本分解成token。你可以使用任何的文本数据，只要这些数据能代表你想要处理的文本的类型和风格。

以上代码仅供参考，实际上，OpenAI使用的tokenizer是经过大量数据训练得来的，因此，结果可能并不准确，若要精确计算GPT模型下的token数量，需要使用OpenAI训练的tokenizer。这个tokenizer可以从transformers库中获取，安装这个库可以使用命令 pip install transformers。

python
from transformers import GPT2Tokenizer

def count_tokens(text):
# 初始化OpenAI的GPT-2 tokenizer
tokenizer = GPT2Tokenizer.from_pretrained("gpt2")

# 将文本转化为tokens
tokens = tokenizer.encode(text)

# 计算并返回token的数量
return len(tokens)

# 测试字符串的tokens数量
text = "This is a test sentence."
print(count_tokens(text))

Go计算字符串token的函数

在Go中，实现GPT的tokenizer的功能可能会相对复杂一些，因为GPT使用的是BPE (Byte Pair Encoding)的方式进行token化，这需要基于一个已经训练好的词表。目前Go语言还没有类似Python里的transformers这样的库，你需要自己实现这样的功能。

以下是一个简单的例子，计算字符串中空格分隔的单词数量，这个例子并不能完全满足GPT的token计数要求，仅供参考：

go
package main

import (
"fmt"
"strings"
)

func countTokens(s string) int {
// 分割字符串，这里只是简单的使用空格分割，并没有实现BPE
words := strings.Fields(s)

// 返回分割后的单词数量
return len(words)
}

func main() {
s := "This is a test sentence."
fmt.Printf("Number of tokens: %d\n", countTokens(s))
}

若要真正实现Go版本的GPT tokenizer，你可能需要调用其他语言（如Python）的相关库来实现，或者在Go中手动实现BPE算法和读取训练好的词表。这将需要相当深入的NLP和编程知识。

添加UTHEME为好友
扫码添加UTHEME微信为好友
· 分享WordPress相关技术文章，主题上新与优惠动态早知道。
· 微信端最大WordPress社群，限时免费入群。
相关文章
没有找到适合的程序？来找我们定制吧！
联系我们