Skip to content

Commit 9964cd0

Browse files
ggerganovggerganov
committed
llama : cache llama_token_to_piece
ggml-ci
1 parent fb76ec3 commit 9964cd0

File tree

2 files changed

+94
-71
lines changed

2 files changed

+94
-71
lines changed

‎llama.cpp

Lines changed: 92 additions & 69 deletions
Original file line numberDiff line numberDiff line change
@@ -1702,12 +1702,13 @@ struct llama_mlock {
17021702
};
17031703
using llama_mlocks = std::vector<std::unique_ptr<llama_mlock>>;
17041704

1705-
static std::string llama_token_to_piece(const struct llama_context * ctx, llama_token token, bool special) {
1705+
// NOTE: avoid ever using this except for building the token_to_piece caches
1706+
static std::string llama_token_to_piece(const struct llama_model * model, llama_token token, bool special) {
17061707
std::vector<char> result(8, 0);
1707-
const int n_tokens = llama_token_to_piece(llama_get_model(ctx), token, result.data(), result.size(), special);
1708+
const int n_tokens = llama_token_to_piece(model, token, result.data(), result.size(), special);
17081709
if (n_tokens < 0) {
17091710
result.resize(-n_tokens);
1710-
int check = llama_token_to_piece(llama_get_model(ctx), token, result.data(), result.size(), special);
1711+
int check = llama_token_to_piece(model, token, result.data(), result.size(), special);
17111712
GGML_ASSERT(check == -n_tokens);
17121713
}
17131714
else {
@@ -2162,7 +2163,11 @@ struct llama_vocab {
21622163
std::unordered_map<token, id> token_to_id;
21632164
std::vector<token_data> id_to_token;
21642165

2165-
std::vector<id> special_tokens_cache;
2166+
bool has_cache = false;
2167+
2168+
std::vector<id> cache_special_tokens;
2169+
std::unordered_map<id, token> cache_token_to_piece; // llama_token_to_piece(special = false);
2170+
std::unordered_map<id, token> cache_token_to_piece_special; // llama_token_to_piece(special = true);
21662171

21672172
std::map<std::pair<std::string, std::string>, int> bpe_ranks;
21682173

@@ -4833,18 +4838,26 @@ static void llm_load_vocab(
48334838
{
48344839
for (llama_vocab::id id = 0; id < (llama_vocab::id)n_vocab; ++id) {
48354840
if (vocab.id_to_token[id].type != LLAMA_TOKEN_TYPE_NORMAL) {
4836-
vocab.special_tokens_cache.push_back(id);
4841+
vocab.cache_special_tokens.push_back(id);
48374842
}
48384843
}
48394844

4840-
std::sort( vocab.special_tokens_cache.begin(), vocab.special_tokens_cache.end(),
4845+
std::sort( vocab.cache_special_tokens.begin(), vocab.cache_special_tokens.end(),
48414846
[&] (const llama_vocab::id a, const llama_vocab::id b) {
48424847
return vocab.id_to_token[a].text.size() > vocab.id_to_token[b].text.size();
48434848
}
48444849
);
48454850

4846-
LLAMA_LOG_INFO("%s: special tokens cache size = %u.\n", __func__, (uint32_t)vocab.special_tokens_cache.size());
4851+
LLAMA_LOG_INFO("%s: special tokens cache size = %u.\n", __func__, (uint32_t)vocab.cache_special_tokens.size());
4852+
}
4853+
4854+
// build token to piece caches
4855+
for (llama_token id = 0; id < (llama_token) n_vocab; ++id) {
4856+
vocab.cache_token_to_piece[id] = llama_token_to_piece(&model, id, false);
4857+
vocab.cache_token_to_piece_special[id] = llama_token_to_piece(&model, id, true);
48474858
}
4859+
4860+
vocab.has_cache = true;
48484861
}
48494862

48504863
static void llm_load_print_meta(llama_model_loader & ml, llama_model & model) {
@@ -13233,7 +13246,7 @@ struct fragment_buffer_variant {
1323313246

1323413247
static void tokenizer_st_partition(const llama_vocab & vocab, std::forward_list<fragment_buffer_variant> & buffer) {
1323513248
// for each special token
13236-
for (const llama_vocab::id special_id : vocab.special_tokens_cache) {
13249+
for (const llama_vocab::id special_id : vocab.cache_special_tokens) {
1323713250
const auto & special_token = vocab.id_to_token[special_id].text;
1323813251

1323913252
// for each text fragment
@@ -14392,7 +14405,7 @@ void llama_sample_repetition_penalties(
1439214405

1439314406
void llama_sample_grammar(struct llama_context * ctx, llama_token_data_array * candidates, const struct llama_grammar * grammar) {
1439414407
GGML_ASSERT(ctx);
14395-
const int64_t t_start_sample_us = ggml_time_us();
14408+
int64_t t_start_sample_us = ggml_time_us();
1439614409

1439714410
bool allow_eog = false;
1439814411
for (const auto & stack : grammar->stacks) {
@@ -14408,8 +14421,8 @@ void llama_sample_grammar(struct llama_context * ctx, llama_token_data_array * c
1440814421
candidates_grammar.reserve(candidates->size);
1440914422

1441014423
for (size_t i = 0; i < candidates->size; ++i) {
14411-
const llama_token id = candidates->data[i].id;
14412-
const std::string piece = llama_token_to_piece(ctx, id, false);
14424+
const llama_token id = candidates->data[i].id;
14425+
const std::string & piece = ctx->model.vocab.cache_token_to_piece.at(id);
1441314426

1441414427
if (llama_token_is_eog(&ctx->model, id)) {
1441514428
if (!allow_eog) {
@@ -14609,7 +14622,7 @@ void llama_grammar_accept_token(struct llama_context * ctx, struct llama_grammar
1460914622
GGML_ASSERT(false);
1461014623
}
1461114624

14612-
const std::string piece = llama_token_to_piece(ctx, token, false);
14625+
const std::string & piece = ctx->model.vocab.cache_token_to_piece.at(token);
1461314626

1461414627
// Note terminating 0 in decoded string
1461514628
const auto decoded = decode_utf8(piece, grammar->partial_utf8);
@@ -18292,69 +18305,79 @@ static std::string llama_decode_text(const std::string & text) {
1829218305

1829318306
// does not write null-terminator to buf
1829418307
int32_t llama_token_to_piece(const struct llama_model * model, llama_token token, char * buf, int32_t length, bool special) {
18308+
if (model->vocab.has_cache) {
18309+
const auto & cache = special ? model->vocab.cache_token_to_piece_special : model->vocab.cache_token_to_piece;
18310+
const auto & res = cache.at(token);
18311+
if (length < (int) res.size()) {
18312+
return -(int) res.size();
18313+
}
18314+
memcpy(buf, res.c_str(), res.size());
18315+
return res.size();
18316+
}
18317+
1829518318
if (0 <= token && token < llama_n_vocab(model)) {
1829618319
switch (llama_vocab_get_type(model->vocab)) {
18297-
case LLAMA_VOCAB_TYPE_WPM:
18298-
case LLAMA_VOCAB_TYPE_SPM: {
18299-
// NOTE: we accept all unsupported token types,
18300-
// suppressing them like CONTROL tokens.
18301-
if (llama_is_normal_token(model->vocab, token)) {
18302-
std::string result = model->vocab.id_to_token[token].text;
18303-
llama_unescape_whitespace(result);
18304-
if (length < (int) result.length()) {
18305-
return -(int) result.length();
18306-
}
18307-
memcpy(buf, result.c_str(), result.length());
18308-
return result.length();
18309-
} else if (
18310-
(llama_is_user_defined_token(model->vocab, token)) ||
18311-
(llama_is_control_token (model->vocab, token) && special)) {
18312-
std::string result = model->vocab.id_to_token[token].text;
18313-
if (length < (int) result.length()) {
18314-
return -(int) result.length();
18315-
}
18316-
memcpy(buf, result.c_str(), result.length());
18317-
return result.length();
18318-
} else if (llama_is_unknown_token(model->vocab, token)) { // NOLINT
18319-
if (length < 3) {
18320-
return -3;
18321-
}
18322-
memcpy(buf, "\xe2\x96\x85", 3);
18323-
return 3;
18324-
} else if (llama_is_byte_token(model->vocab, token)) {
18325-
if (length < 1) {
18326-
return -1;
18320+
case LLAMA_VOCAB_TYPE_WPM:
18321+
case LLAMA_VOCAB_TYPE_SPM: {
18322+
// NOTE: we accept all unsupported token types,
18323+
// suppressing them like CONTROL tokens.
18324+
if (llama_is_normal_token(model->vocab, token)) {
18325+
std::string result = model->vocab.id_to_token[token].text;
18326+
llama_unescape_whitespace(result);
18327+
if (length < (int) result.length()) {
18328+
return -(int) result.length();
18329+
}
18330+
memcpy(buf, result.c_str(), result.length());
18331+
return result.length();
18332+
} else if (
18333+
(llama_is_user_defined_token(model->vocab, token)) ||
18334+
(llama_is_control_token (model->vocab, token) && special)) {
18335+
std::string result = model->vocab.id_to_token[token].text;
18336+
if (length < (int) result.length()) {
18337+
return -(int) result.length();
18338+
}
18339+
memcpy(buf, result.c_str(), result.length());
18340+
return result.length();
18341+
} else if (llama_is_unknown_token(model->vocab, token)) { // NOLINT
18342+
if (length < 3) {
18343+
return -3;
18344+
}
18345+
memcpy(buf, "\xe2\x96\x85", 3);
18346+
return 3;
18347+
} else if (llama_is_byte_token(model->vocab, token)) {
18348+
if (length < 1) {
18349+
return -1;
18350+
}
18351+
buf[0] = llama_token_to_byte(model->vocab, token);
18352+
return 1;
1832718353
}
18328-
buf[0] = llama_token_to_byte(model->vocab, token);
18329-
return 1;
18354+
break;
1833018355
}
18331-
break;
18332-
}
18333-
case LLAMA_VOCAB_TYPE_BPE: {
18334-
// NOTE: we accept all unsupported token types,
18335-
// suppressing them like CONTROL tokens.
18336-
if (llama_is_normal_token(model->vocab, token)) {
18337-
std::string result = model->vocab.id_to_token[token].text;
18338-
result = llama_decode_text(result);
18339-
if (length < (int) result.length()) {
18340-
return -(int) result.length();
18341-
}
18342-
memcpy(buf, result.c_str(), result.length());
18343-
return result.length();
18344-
} else if (
18345-
(llama_is_user_defined_token(model->vocab, token)) ||
18346-
(llama_is_control_token (model->vocab, token) && special)) {
18347-
std::string result = model->vocab.id_to_token[token].text;
18348-
if (length < (int) result.length()) {
18349-
return -(int) result.length();
18356+
case LLAMA_VOCAB_TYPE_BPE: {
18357+
// NOTE: we accept all unsupported token types,
18358+
// suppressing them like CONTROL tokens.
18359+
if (llama_is_normal_token(model->vocab, token)) {
18360+
std::string result = model->vocab.id_to_token[token].text;
18361+
result = llama_decode_text(result);
18362+
if (length < (int) result.length()) {
18363+
return -(int) result.length();
18364+
}
18365+
memcpy(buf, result.c_str(), result.length());
18366+
return result.length();
18367+
} else if (
18368+
(llama_is_user_defined_token(model->vocab, token)) ||
18369+
(llama_is_control_token (model->vocab, token) && special)) {
18370+
std::string result = model->vocab.id_to_token[token].text;
18371+
if (length < (int) result.length()) {
18372+
return -(int) result.length();
18373+
}
18374+
memcpy(buf, result.c_str(), result.length());
18375+
return result.length();
1835018376
}
18351-
memcpy(buf, result.c_str(), result.length());
18352-
return result.length();
18377+
break;
1835318378
}
18354-
break;
18355-
}
18356-
default:
18357-
GGML_ASSERT(false);
18379+
default:
18380+
GGML_ASSERT(false);
1835818381
}
1835918382
}
1836018383
return 0;

‎llama.h

Lines changed: 2 additions & 2 deletions
Original file line numberDiff line numberDiff line change
@@ -424,8 +424,8 @@ extern "C" {
424424

425425
LLAMA_API enum llama_pooling_type llama_pooling_type(const struct llama_context * ctx);
426426

427-
LLAMA_API enum llama_vocab_type llama_vocab_type (const struct llama_model * model);
428-
LLAMA_API enum llama_rope_type llama_rope_type (const struct llama_model * model);
427+
LLAMA_API enum llama_vocab_type llama_vocab_type (const struct llama_model * model);
428+
LLAMA_API enum llama_rope_type llama_rope_type (const struct llama_model * model);
429429

430430
LLAMA_API int32_t llama_n_vocab (const struct llama_model * model);
431431
LLAMA_API int32_t llama_n_ctx_train(const struct llama_model * model);

0 commit comments

Comments
 (0)