深入解析Microsoft.ML.Tokenizers中的Span与Yield边界问题
2025-05-25 07:35:55作者:范垣楠Rhoda
背景介绍
Microsoft.ML.Tokenizers是.NET生态中一个高效的文本分词库,近期在性能上超越了同类库SharpToken。在分析其源码实现时,开发者发现了一个有趣的技术细节:为何在处理ReadOnlySpan时需要先复制到缓冲区,而不是直接使用。
Span类型与Yield边界
问题的核心在于C#语言中ReadOnlySpan的特殊性。ReadOnlySpan是一种ref struct类型,它被设计为栈上分配,不能跨越异步或迭代边界。这意味着:
- 栈限制:ref struct不能存储在堆上,只能存在于栈中
- 生命周期限制:无法跨越await或yield边界保持实例
- 性能优势:这种限制换来的是零分配的高性能操作
代码示例分析
在TiktokenPreTokenizer.cs和PreTokenizer.cs中,开发者看到的缓冲区复制操作正是为了解决这个限制。当需要通过yield return返回迭代结果时,原始的ReadOnlySpan无法直接保留在迭代器状态中。
// 以下代码会导致编译错误CS4007
public static IEnumerable<(int Offset, int Length)> PreTokenize(ReadOnlySpan<char> text)
{
return SplitText(text);
static IEnumerable<(int Offset, int Length)> SplitText(ReadOnlySpan<char> text)
{
for (int i = 0; i < text.Length; i++)
{
yield return (i, 1); // 错误点
}
}
}
解决方案
Microsoft.ML.Tokenizers采用了以下策略解决这个问题:
- 缓冲区复制:将ReadOnlySpan内容复制到临时缓冲区
- 字符串转换:必要时转换为string类型
- 偏移量记录:保存原始位置信息而非Span本身
这种方法虽然引入了少量复制开销,但保证了功能的正确性,同时整体性能仍然优于其他实现。
性能权衡
这种设计体现了几个重要的工程权衡:
- 正确性优先:确保功能在各种边界条件下都能正常工作
- 最小化复制:只在必要时进行数据复制
- 整体优化:局部的小开销换取全局的高性能
开发者启示
这个案例给我们的启示:
- 理解语言特性的限制很重要
- 性能优化需要全面考虑,不能只看局部代码
- 标准库中的设计决策通常有深层原因
- 在性能敏感场景,即使是小的复制操作也需要慎重考虑
通过这个分析,我们不仅理解了Microsoft.ML.Tokenizers的实现细节,也加深了对C#语言中Span和迭代器行为的认识。
登录后查看全文
热门项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0267cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.93 K

deepin linux kernel
C
22
6

React Native鸿蒙化仓库
C++
192
274

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
930
553

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
423
392

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.11 K
0

本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
64
509