Modern Text Tokenizer のご紹介
BERT、DistilBERT、その他のトランスフォーマーベースのアーキテクチャといった最新の自然言語処理 (NLP) モデルは、効果的なトークン化に大きく依存しています。しかし、C++ 開発者は、肥大化した依存関係、Unicode サポートの不足、語彙ベースのエンコーダーとの互換性の欠如など、選択肢が限られているという問題に直面することがよくあります。
そこで私は、Modern Text Tokenizer を開発しました。これは、UTF-8 対応、ゼロ依存関係、そして ML 対応 という、非常に高速でヘッダーのみの C++ トークナイザーです。
特徴
- ゼロ依存関係 – Boost、ICU、外部ライブラリは不要です。
- UTF-8 対応 – 多言語テキスト、絵文字、マルチバイト文字を正しく処理します。
- ヘッダーのみ – プロジェクトにドロップするだけで使用できます。
- 語彙エンコーディング – HuggingFaceから
vocab.txtを読み込み、トークンIDを生成します。 - Transformer対応 –
[CLS]、[SEP]、[PAD]、およびシーケンスフォーマットをサポートします。
主な機能
std::string_viewを使用した ASCII と Unicode の高速分岐- 設定用の Fluent API:
1 TextTokenizer tokenizer; 2 tokenizer 3 .set_lowercase(true) 4 .set_split_on_punctuation(true) 5 .set_keep_punctuation(true); - 語彙を読み込む:
1 tokenizer.load_vocab("vocab.txt"); - エンコード/デコード:
1 auto ids = tokenizer.encode("Hello world!"); 2 std::string decoded = tokenizer.decode(ids);
パフォーマンス
1174,000文字のパフォーマンステスト
2
3結果：
4トークン化：2,159マイクロ秒（22,000トークン）
5エンコード：1,900マイクロ秒
6デコード：430マイクロ秒
7合計時間：4.49ミリ秒
8スループット：36.97MB/秒リリースモードのRyzen 9 5900X @ -O3でベンチマークを実施しました。
使用方法
ヘッダーファイルを追加します。
1#include "Modern-Text-Tokenizer.hpp"次にコンパイルします:
1g++ -std=c++17 -O3 -o tokenizer_demo main.cppBERT または DistilBERT と一緒に使用したいですか？語彙ファイルをダウンロードするだけです:
1curl -O https://huggingface.co/distilbert/distilbert-base-uncased/raw/main/vocab.txtクロスプラットフォーム CI ビルド
| OS | Status |
|---|---|
| Ubuntu | ✅ |
| Windows | ✅ |
| GitHub Actions |  |
ユースケース
- C++ による ML モデル向けテキスト前処理
- デバイス内 NLP (Python のオーバーヘッドなし)
- 高性能 CLI ツール
- ランタイムに依存しない組み込みシステム
今すぐ試す
Modern Text Tokenizer がリリースされました。プロジェクトにすぐにご利用いただけます。
クローン、コンパイル、トークン化は数秒で完了します: Modern Text Tokenizer
コメント