Orc’s WIKI

Orc Hwang

CS336-LLM-From-Scratch 시리즈의 1단계입니다. 전체 지도는 CS336 커리큘럼에서 볼 수 있습니다.
언어 모델은 이제 API 한 줄로 부르는 블랙박스가 되었습니다. CS336은 그 블랙박스를 열어 밑바닥부터(from scratch) 직접 조립해 보는 강의이고, 1강은 그 여정의 출발점입니다. 강사 Percy Liang과 Tatsunori Hashimoto는 첫 시간을 둘로 나눕니다. 앞부분은 코스 전체를 관통하는 사고방식을, 뒷부분은 언어 모델의 가장 첫 관문인 토크나이제이션(tokenization)을 다룹니다. 이 글도 같은 순서를 따릅니다.
한눈에 보기
이 강의의 기술적 척추는 “텍스트를 어떻게 정수로 바꿀 것인가”입니다. 가장 단순한 방법에서 출발해 한계를 만나고, 그 한계를 넘는 다음 방법으로 나아가다 마침내 BPE에 도달합니다.
flowchart TD
 Raw["원시 텍스트 (유니코드 문자열)"]
 Raw --> C["① 문자 기반 유니코드 코드포인트"]
 Raw --> B["② 바이트 기반 UTF-8 (0~255)"]
 Raw --> W["③ 단어 기반 정규식 분할"]
 C -->|"어휘 거대 · 희소"| X1["탈락"]
 B -->|"압축비 1 · 시퀀스 폭발"| X2["탈락"]
 W -->|"어휘 무한 · UNK 문제"| X3["탈락"]
 X1 --> BPE["④ BPE 코퍼스 통계로 빈번한 쌍을 병합"]
 X2 --> BPE
 X3 --> BPE
 BPE --> Tok["토큰 열(정수)"]
 Tok --> LM["언어 모델 입력"]
핵심 질문은 처음부터 끝까지 하나입니다 — 주어진 자원(어휘 슬롯·시퀀스 길이)으로 가장 효율적으로 텍스트를 표현하는 법은 무엇인가. 이 “효율”이라는 단어가 사실 강의 전체의 주제이기도 합니다.
CS336은 무엇을 가르치나
“만들어 봐야 이해한다”
강의의 철학은 한 문장으로 압축됩니다. “You’ve got to build it from scratch to understand it.” 프롬프트와 파인튜닝으로 충분한 문제라면 그걸 먼저 하라고 강사도 분명히 말합니다. 이 수업은 “최신 기법”을 빠르게 훑는 강의가 아니라, 원자 단위까지 내려가 원리를 직접 쌓아 올리려는 사람을 위한 것입니다(첫 과제부터 빈 파일에서 BPE를 직접 구현합니다).
수업에서 얻어 가는 것은 세 가지로 정리됩니다.
메커닉스(mechanics) — 트랜스포머·병렬화 같은 것들이 어떻게 동작하는가. 구현으로 익힙니다.
마인드셋(mindset) — 하드웨어를 최대한 짜내고 스케일링을 진지하게 받아들이는 사고방식. 재료들은 오래전부터 있었지만, 이 사고방식이 지금의 모델을 만들었습니다.
직관(intuitions) — 어떤 데이터·모델 결정이 좋은 모델로 이어지는가. 작은 스케일에서 통한 것이 큰 스케일에서 통하지 않을 수 있어, 이것만은 부분적으로만 가르칠 수 있습니다.
쓴 교훈(bitter lesson)의 올바른 해석
흔한 오해는 “쓴 교훈 = 스케일이 전부, 알고리즘은 무의미”입니다. 강의는 이를 정면으로 반박합니다. 올바른 해석은 “스케일에서의 알고리즘(algorithms at scale)이 중요하다”입니다. 모델의 정확도는 결국 이렇게 분해됩니다.
정확도 ≈ 효율(efficiency) × 투입 자원(resources)
자본을 더 부어 자원을 늘리면 더 좋은 모델이 나옵니다. 하지만 연구자의 몫은 효율을 높이는 것입니다. 그리고 효율은 큰 스케일일수록 더 중요해집니다 — 수억 달러를 쓰는 학습에서는 노트북에서 잡을 디버깅처럼 낭비할 여유가 없으니까요. OpenAI의 2020년 분석은 2012~2019년 사이 ImageNet을 같은 정확도로 학습하는 데 드는 알고리즘 효율이 44배 개선됐음을 보였습니다. 무어의 법칙보다 빠른 속도입니다. 알고리즘은 분명히 중요합니다.
그래서 이 수업이 던지는 단 하나의 프레이밍은 다음과 같습니다.
“주어진 컴퓨트·데이터 예산에서 만들 수 있는 가장 좋은 모델은 무엇인가?”
이 질문은 어떤 스케일에서도 의미가 있습니다. 본질이 자원당 정확도(accuracy per resource)이기 때문입니다.
다섯 개 유닛, 그리고 “효율”이라는 렌즈
CS336은 다섯 유닛으로 구성됩니다 — 기초(Basics) · 시스템(Systems) · 스케일링 법칙(Scaling laws) · 데이터(Data) · 정렬(Alignment). 강의는 이 모든 결정을 효율이라는 한 렌즈로 꿰뚫습니다.
데이터: 나쁜 데이터에 귀한 컴퓨트를 낭비하지 않으려 공격적으로 필터링합니다.
토크나이제이션: 바이트 위에서 도는 모델은 우아하지만 오늘날 아키텍처에선 너무 비효율적입니다 — 그래서 토크나이제이션을 효율을 위해 합니다.
아키텍처·시스템: 설계 결정 대부분이 효율(연산·메모리·통신)에서 출발합니다.
스케일링 법칙: 적은 컴퓨트로 하이퍼파라미터를 정하는, 그 자체로 효율의 문제입니다.
정렬: 정렬에 자원을 투자하면 더 작은 베이스 모델로도 충분해집니다.
지금 우리는 대부분 컴퓨트 제약(compute-constrained) 영역에 있습니다 — 데이터는 많지만 컴퓨트가 부족한, 이른바 “GPU-poor” 상황입니다. 그래서 단일 에폭으로 데이터를 빠르게 훑는 등의 결정이 합리적입니다. 반대로 프런티어 랩은 점점 데이터 제약(data-constrained) 영역으로 가고 있어, 같은 원칙(효율)이라도 설계 결정은 달라집니다.
토크나이제이션이란
이제 첫 기술 주제입니다. 토크나이제이션은 원시 텍스트(보통 유니코드 문자열)를 정수의 열로 바꾸는 과정이고, 각 정수가 하나의 토큰을 가리킵니다. 두 방향의 연산이 필요합니다.
encode: 문자열 → 토큰(정수) 열
decode: 토큰 열 → 문자열
그리고 어휘 크기(vocabulary size)는 토큰이 가질 수 있는 정수 값의 개수입니다. 좋은 토크나이저를 가늠하는 한 지표가 압축비(compression ratio)입니다.
압축비 = (바이트 수) / (토큰 수) — 토큰 하나가 평균 몇 바이트를 표현하는가.
GPT-2 토크나이저는 약 1.6 바이트/토큰입니다. 압축비가 높을수록 같은 텍스트를 더 짧은 토큰 열로 표현하고, 시퀀스가 짧아질수록 모델 연산이 줄어듭니다 — 다시 효율입니다.
토크나이저는 가역적(reversible)이라는 점도 중요합니다. 고전 NLP에서 공백이 사라지던 것과 달리, 현대 토크나이저는 공백까지 토큰의 일부로 다룹니다. 관례적으로 공백은 뒤따르는 단어 앞에 붙어서, "hello"와 " hello"는 서로 다른 토큰이 됩니다(가끔 골치 아픈 버그의 원인이지만, 라운드트립을 위해선 필요합니다).
네 번의 시도
좋은 토크나이저로 가는 길을 강의는 “네 번의 시도”로 보여줍니다. 앞의 셋은 실패하지만, 각각이 왜 실패하는지가 BPE를 이해하는 열쇠입니다.
① 문자 기반 (character-based)
가장 단순한 발상. 유니코드 문자열은 문자의 열이고, 각 문자는 코드포인트(code point)라는 정수로 바뀝니다.
# 문자 → 코드포인트 → 문자 (라운드트립)
ord("a") # 97
ord("🌍") # 127757 ← 아주 큰 값
chr(127757) # "🌍"
def encode_char(text: str) -> list[int]:
 return [ord(c) for c in text]
def decode_char(ids: list[int]) -> str:
 return "".join(chr(i) for i in ids)
문제. 어휘가 거대해집니다(유니코드 코드포인트는 14만 개가 넘습니다). 게다가 어떤 문자는 아주 드물게 등장하는데, 모든 문자에 동등하게 어휘 슬롯 하나씩을 배정하는 건 예산 낭비입니다. 흔한 것에 더 많은 자원을, 드문 것에 더 적은 자원을 — 이 적응성(adaptivity)이 없습니다.
② 바이트 기반 (byte-based)
그렇다면 모든 문자열을 UTF-8 바이트 열로 바꿔 봅시다. 어휘는 0~255, 단 256개로 고정됩니다.
def encode_byte(text: str) -> list[int]:
 return list(text.encode("utf-8")) # 각 값은 0~255
def decode_byte(ids: list[int]) -> str:
 return bytes(ids).decode("utf-8")
encode_byte("a") # [97] ← ASCII는 1바이트
encode_byte("🌍") # [240, 159, 140, 141] ← 이모지는 4바이트
어휘는 작고 희소성 문제도 거의 없습니다. 우아하기까지 합니다. 하지만 압축비가 정확히 1입니다(토큰 하나당 1바이트). 시퀀스가 끔찍하게 길어지고, 어텐션은 시퀀스 길이에 제곱(quadratic)으로 비싸집니다. “바이트로 도는 모델이 정말 됐으면 좋겠다”고 강사도 말하지만, 오늘날 아키텍처에선 효율이 너무 나빠 쓸 수 없습니다.
③ 단어 기반 (word-based)
고전 NLP의 방식. 정규식으로 텍스트를 단어 단위 세그먼트로 쪼개고, 각 세그먼트에 정수를 배정합니다(GPT-2도 BPE 전처리로 이 정규식 분할을 씁니다).
import regex as re
# GPT-2가 사전 토큰화(pre-tokenization)에 쓰는 정규식(축약형)
PAT = r"""'s|'t|'re|'ve|'m|'ll|'d| ?\p{L}+| ?\p{N}+| ?[^\s\p{L}\p{N}]+|\s+"""
segments = re.findall(PAT, "the quick brown fox")
# ['the', ' quick', ' brown', ' fox'] ← 공백이 앞에 붙는다
적응성의 직관은 맞습니다 — 흔한 단어는 토큰 하나로 표현됩니다. 하지만 어휘 크기가 사실상 무한입니다. 새 입력에서 처음 보는 단어가 늘 나올 수 있고, 그때마다 UNK(unknown) 토큰을 줘야 합니다. 이는 perplexity 계산을 망치는 등 두고두고 골칫거리가 됩니다.
④ BPE (Byte Pair Encoding)
세 시도의 교훈을 모으면 결론이 나옵니다 — 미리 정한 규칙으로 쪼개지 말고, 코퍼스 통계로 학습하자. 흔히 함께 등장하는 바이트 열은 하나의 토큰으로 압축하고, 드문 것은 여러 토큰으로 남깁니다.
BPE는 1994년 Philip Gage가 데이터 압축용으로 만든 오래된 알고리즘입니다. 이것이 신경망 기계번역(NMT)에 도입되며 단어 기반의 UNK 지옥에서 NLP를 구했고, 마침내 GPT-2가 BPE 토크나이저로 학습되며 언어 모델 시대로 들어왔습니다. 다음 절에서 직접 구현합니다.
BPE 직접 구현하기
알고리즘은 놀랄 만큼 단순합니다.
문자열을 바이트 열로 바꾼다(②에서 했던 그대로).
가장 빈번한 인접 쌍(pair)을 찾아 새 토큰으로 병합(merge)한다.
정해진 횟수만큼 2를 반복한다.
flowchart LR
 S["the cat in the hat → 바이트 열"] --> Count["인접 쌍 빈도 계산"]
 Count --> Top["최빈 쌍 선택 예: (t, h)"]
 Top --> New["새 토큰 256 부여 merges[(t,h)] = 256"]
 New --> Apply["열 전체에 병합 적용 시퀀스가 짧아진다"]
 Apply -->|"num_merges회 반복"| Count
학습 (train)
def get_stats(ids: list[int]) -> dict[tuple[int, int], int]:
 """인접한 토큰 쌍의 빈도를 센다."""
 counts: dict[tuple[int, int], int] = {}
 for pair in zip(ids, ids[1:]):
 counts[pair] = counts.get(pair, 0) + 1
 return counts
def merge(ids: list[int], pair: tuple[int, int], new_id: int) -> list[int]:
 """ids 안의 모든 pair를 new_id로 치환한다."""
 out, i = [], 0
 while i < len(ids):
 if i < len(ids) - 1 and ids[i] == pair[0] and ids[i + 1] == pair[1]:
 out.append(new_id)
 i += 2
 else:
 out.append(ids[i])
 i += 1
 return out
def train_bpe(text: str, num_merges: int) -> dict[tuple[int, int], int]:
 ids = list(text.encode("utf-8")) # 0~255 바이트 열에서 시작
 merges: dict[tuple[int, int], int] = {} # (a, b) -> 새 토큰 id
 for k in range(num_merges):
 stats = get_stats(ids)
 if not stats:
 break
 top = max(stats, key=stats.get) # 최빈 쌍 (동점은 임의로 깸)
 new_id = 256 + k # 256, 257, 258, ...
 ids = merge(ids, top, new_id) # 학습 코퍼스에 즉시 반영
 merges[top] = new_id # 병합 규칙을 순서대로 기록
 return merges
"the cat in the hat"에 num_merges=3으로 돌리면 이렇게 흘러갑니다.
1회차: (t, h)가 두 번 등장 → 토큰 256 부여, 모든 t h를 256으로 치환.
2회차: (256, e)(즉 the) 병합 → 토큰 257. 시퀀스가 더 짧아짐.
3회차: (257, ' ')(즉 the , 공백 포함)가 두 번 등장 → 토큰 258.
병합을 거듭할수록 어휘는 커지고 시퀀스는 짧아집니다 — 압축비가 좋아지는 과정이 곧 BPE 학습입니다.
인코딩과 디코딩 (encode / decode)
인코딩의 핵심은 학습 때 기록한 순서 그대로 병합을 재생(replay)하는 것입니다. 순서가 곧 우선순위입니다.
def encode(text: str, merges: dict[tuple[int, int], int]) -> list[int]:
 ids = list(text.encode("utf-8"))
 for pair, new_id in merges.items(): # dict는 삽입(=학습) 순서를 보존
 ids = merge(ids, pair, new_id)
 return ids
def decode(ids: list[int], merges: dict[tuple[int, int], int]) -> str:
 # 새 토큰 id를 바이트까지 재귀적으로 펼치는 어휘표를 만든다
 vocab: dict[int, bytes] = {i: bytes([i]) for i in range(256)}
 for (a, b), new_id in merges.items():
 vocab[new_id] = vocab[a] + vocab[b]
 data = b"".join(vocab[i] for i in ids)
 return data.decode("utf-8", errors="replace")
# 라운드트립 검증
merges = train_bpe("the cat in the hat", num_merges=3)
ids = encode("the quick brown fox", merges)
assert decode(ids, merges) == "the quick brown fox"
이게 전부입니다. 실제 GPT-2 구현에는 몇 가지 부가 장치가 더 붙습니다.
사전 토큰화(pre-tokenization): 위 ③의 정규식으로 먼저 세그먼트를 나눈 뒤, 각 세그먼트 안에서만 BPE를 돌립니다(단어 경계를 넘는 병합을 막아 품질·속도를 모두 챙깁니다).
특수 토큰(special tokens): <|endoftext|> 같은 제어 토큰을 어휘에 추가합니다.
속도 최적화: 위 encode는 매번 모든 병합을 훑어 느립니다. 실제로는 “지금 적용 가능한, 우선순위가 가장 높은 병합”만 골라 적용하도록 개선합니다. 첫 과제가 바로 이걸 빠르게 만드는 것입니다.
성능·복잡도 노트
네 방식을 압축비와 어휘 크기로 비교하면 BPE가 왜 이겼는지 한눈에 보입니다.
방식
 어휘 크기
 압축비(바이트/토큰)
 결정적 문제
 
문자 기반
 14만+ (유니코드)
 ~1.5
 어휘 거대, 드문 문자에 슬롯 낭비
 
바이트 기반
 256 (고정)
 1.0
 시퀀스 폭발 → 어텐션 O(n²)
 
단어 기반
 사실상 무한
 높음(가변)
 UNK·미등록 단어, perplexity 왜곡
 
BPE
 조절 가능(병합 횟수)
 ~1.6(GPT-2)
 효율적 휴리스틱, 사실상 표준
 
핵심 통찰은 세 가지입니다.
어휘 크기 ↔ 시퀀스 길이 트레이드오프. 어휘를 키우면(병합을 더 하면) 시퀀스가 짧아져 어텐션 비용이 줄지만, 임베딩·출력층이 커집니다. BPE의 병합 횟수가 이 다이얼입니다.
어텐션은 시퀀스 길이에 제곱. 압축비 1(바이트)이 치명적인 이유입니다. 토큰 열을 짧게 만드는 것이 곧 연산 절약입니다.
BPE는 코퍼스 통계로 어휘를 적응적으로 배분한다. 미리 정한 규칙이 아니라 데이터가 “무엇을 한 토큰으로 묶을지” 결정합니다 — 흔한 건 압축하고 드문 건 펼치는, 정확히 우리가 원하던 적응성입니다.
요약
CS336의 한 단어는 효율입니다. 정확도 ≈ 효율 × 자원이며, 연구자의 몫은 효율을 높이는 것. 모든 설계 결정을 이 렌즈로 봅니다.
토크나이제이션은 문자열 ↔ 정수 열을 잇는 첫 관문이고, 압축비가 그 효율을 가늠합니다.
문자·바이트·단어 기반은 각각 어휘 폭발·시퀀스 폭발·UNK 문제로 실패합니다.
BPE는 1994년 데이터 압축 알고리즘으로, 바이트 열에서 최빈 인접 쌍을 반복 병합해 어휘를 코퍼스 통계에 맞춰 적응적으로 배분합니다. 단순하지만 여전히 사실상의 표준입니다.
언젠가 바이트에서 바로 도는 아키텍처가 나와 이 강의가 필요 없어지길 강사도 바라지만, 그때까지 토크나이제이션은 효율을 위한 필수 단계입니다.
다음 학습 (Next Learning)
2단계: PyTorch와 자원 회계 — 모델을 FLOPs·메모리로 다루는 “비용의 언어”를 익힙니다 (상세 포스트 작성 예정)
CS336 커리큘럼 — 전체 17단계 지도와 진행 현황
Python Advanced Competency Curriculum — BPE 구현의 기반이 되는 Python 심화

CS336 1강 — 개요와 토크나이제이션: BPE를 밑바닥부터

댓글