{ "cells": [ { "cell_type": "markdown", "id": "6842e799", "metadata": {}, "source": [ "\n", "Модель **GPT-1 (Generative Pretrained Transformer)** — это первая реализация идеи создания языковой модели на основе архитектуры **Transformer Decoder**, предложенной в работе *“Improving Language Understanding by Generative Pre-Training”* (OpenAI, 2018).\n", "Она заложила фундамент всех последующих поколений GPT-моделей, показав, что модель, обученная на большом корпусе текстов в режиме **предсказания следующего токена**, способна эффективно адаптироваться к различным задачам обработки естественного языка." ] }, { "cell_type": "code", "execution_count": 1, "id": "a4fba924", "metadata": {}, "outputs": [], "source": [ "import dill\n", "from torch import nn\n", "import torch" ] }, { "cell_type": "markdown", "id": "6ed35205", "metadata": {}, "source": [ "## BPE Tokenizator" ] }, { "cell_type": "code", "execution_count": 2, "id": "1a6f2914", "metadata": {}, "outputs": [], "source": [ "class BPE:\n", " def __init__(self, vocab_size: int):\n", " self.vocab_size = vocab_size\n", " self.id2token = {}\n", " self.token2id = {}\n", "\n", " def fit(self, text: str):\n", " # 1. Получаем уникальные токены (символы)\n", " unique_tokens = sorted(set(text))\n", " tokens = unique_tokens.copy()\n", "\n", " # 2. Разбиваем текст на токены-символы\n", " sequence = list(text)\n", "\n", " # 3. Объединяем токены до достижения нужного размера словаря\n", " while len(tokens) < self.vocab_size:\n", " #print(f'len={len(tokens)} < {self.vocab_size}')\n", " # Считаем частоты пар\n", " pair_freq = {}\n", " for i in range(len(sequence) - 1):\n", " pair = (sequence[i], sequence[i + 1])\n", " #print(f'pair = {pair}')\n", " if pair not in pair_freq:\n", " pair_freq[pair] = 0\n", " pair_freq[pair] += 1\n", "\n", "\n", " #print(f'pair_freq = {pair_freq}') \n", " if not pair_freq:\n", " break # нет пар — выходим\n", "\n", " #for x in pair_freq.items():\n", " # self.debug(x, sequence)\n", "\n", " # Находим самую частую пару (в случае равенства — та, что встретилась первой)\n", " most_frequent_pair = max(pair_freq.items(), key=lambda x: (x[1], -self._pair_first_index(sequence, x[0])))[0]\n", " #print(most_frequent_pair)\n", " # Создаем новый токен\n", " new_token = most_frequent_pair[0] + most_frequent_pair[1]\n", " #print(f\"new token={new_token}\")\n", " tokens.append(new_token)\n", " #print(f\"tokens={tokens}\")\n", "\n", " i = 0\n", " new_sequence = []\n", "\n", " while i < len(sequence):\n", " if i < len(sequence) - 1 and (sequence[i], sequence[i + 1]) == most_frequent_pair:\n", " new_sequence.append(new_token)\n", " i += 2 # пропускаем два символа — заменённую пару\n", " else:\n", " new_sequence.append(sequence[i])\n", " i += 1\n", " sequence = new_sequence\n", " #break\n", " \n", " # 4. Создаем словари\n", " self.vocab = tokens.copy()\n", " self.token2id = dict(zip(tokens, range(self.vocab_size)))\n", " self.id2token = dict(zip(range(self.vocab_size), tokens))\n", "\n", " def _pair_first_index(self, sequence, pair):\n", " for i in range(len(sequence) - 1):\n", " if (sequence[i], sequence[i + 1]) == pair:\n", " return i\n", " return float('inf') # если пара не найдена (в теории не должно случиться)\n", "\n", "\n", " def encode(self, text: str):\n", " # 1. Разбиваем текст на токены-символы\n", " sequence = list(text)\n", " # 2. Инициализация пустого списка токенов\n", " tokens = []\n", " # 3. Установить i = 0\n", " i = 0\n", " while i < len(text):\n", " # 3.1 Найти все токены в словаре, начинающиеся с text[i]\n", " start_char = text[i]\n", " result = [token for token in self.vocab if token.startswith(start_char)]\n", " # 3.2 Выбрать самый длинный подходящий токен\n", " find_token = self._find_max_matching_token(text[i:], result)\n", " if find_token is None:\n", " # Обработка неизвестного символа\n", " tokens.append(text[i]) # Добавляем сам символ как токен\n", " i += 1\n", " else:\n", " # 3.3 Добавить токен в результат\n", " tokens.append(find_token)\n", " # 3.4 Увеличить i на длину токена\n", " i += len(find_token)\n", "\n", " # 4. Заменить токены на их ID\n", " return self._tokens_to_ids(tokens)\n", "\n", " def _find_max_matching_token(self, text: str, tokens: list):\n", " \"\"\"Находит самый длинный токен из списка, с которого начинается текст\"\"\"\n", " matching = [token for token in tokens if text.startswith(token)]\n", " return max(matching, key=len) if matching else None\n", "\n", " def _tokens_to_ids(self, tokens):\n", " \"\"\"Конвертирует список токенов в их ID с обработкой неизвестных токенов\"\"\"\n", " ids = []\n", " for token in tokens:\n", " if token in self.token2id:\n", " ids.append(self.token2id[token])\n", " else:\n", " ids.append(0) # Специальное значение\n", " return ids\n", "\n", "\n", " def decode(self, ids: list) -> str:\n", " return ''.join(self._ids_to_tokens(ids))\n", "\n", " def _ids_to_tokens(self, ids: list) -> list:\n", " \"\"\"Конвертирует список Ids в их tokens\"\"\"\n", " tokens = []\n", " for id in ids:\n", " if id in self.id2token:\n", " tokens.append(self.id2token[id])\n", " else:\n", " tokens.append('') # Специальное значение\n", " return tokens\n", "\n", "\n", " def save(self, filename):\n", " with open(filename, 'wb') as f:\n", " dill.dump(self, f)\n", " print(f\"Объект сохранён в {filename}\")\n", "\n", "\n", " @classmethod\n", " def load(cls, filename):\n", " with open(filename, 'rb') as f:\n", " obj = dill.load(f)\n", " \n", " print(f\"Объект загружен из {filename}\")\n", " return obj" ] }, { "cell_type": "markdown", "id": "ef121b7b", "metadata": {}, "source": [ "# Архитектура GPT-1: Принципы работы и ключевые компоненты\n", "\n", "![](https://ucarecdn.com/b2551e49-de5c-490b-a371-9c4a81e35329/)\n", "\n", "Модель **GPT-1 (Generative Pretrained Transformer)** — это первая версия архитектуры семейства GPT, основанная на **декодере трансформера**. \n", "Она была представлена исследователями **OpenAI** в 2018 году и стала основой для всех последующих моделей, включая GPT-2, GPT-3 и GPT-4. \n", "\n", "Главная идея GPT-1 заключается в том, что модель можно обучить **понимать и генерировать текст**, если она научится предсказывать **следующий токен** в последовательности. \n", "Этот простой принцип позволил создать универсальную языковую модель, способную решать множество задач без ручного проектирования под каждую из них.\n" ] }, { "cell_type": "markdown", "id": "47d11c5c", "metadata": {}, "source": [ "## 1. Эмбеддинги (Embeddings)\n", "\n", "\n", "![](https://ucarecdn.com/4ce51ba3-83fc-46c3-a6e8-efa064663df0/)\n", "\n", "Перед тем как текст подается в трансформер, его необходимо преобразовать в числовое представление. \n", "Это делается с помощью **эмбеддингов** — плотных векторов, которые кодируют смысл и структуру слов.\n", "\n", "GPT использует два типа эмбеддингов:" ] }, { "cell_type": "markdown", "id": "e046ecc8", "metadata": {}, "source": [ "### 1.1 Token Embeddings\n", "\n", "Каждое слово или подслово сначала токенизируется и преобразуется в уникальный числовой идентификатор. \n", "Затем этот идентификатор сопоставляется с вектором фиксированной длины — **эмбеддингом токена**. \n", "\n", "Вектор можно рассматривать как координаты слова в многомерном пространстве смыслов: токены, близкие по значению, располагаются рядом.\n", "\n", "Формально:\n", "$$\n", "E_{token}(t_i) = W_e[t_i]\n", "$$\n", "\n", "где \n", "$W_e$ — обучаемая матрица эмбеддингов (размером `vocab_size × d_model`), \n", "$t_i$ — индекс токена в словаре." ] }, { "cell_type": "code", "execution_count": 3, "id": "1464a012", "metadata": {}, "outputs": [], "source": [ "class TokenEmbeddings(nn.Module):\n", " def __init__(self, vocab_size: int, emb_size: int):\n", " super().__init__()\n", " self._embedding = nn.Embedding(\n", " num_embeddings=vocab_size,\n", " embedding_dim=emb_size,\n", " padding_idx=0 # чтобы 0 можно было безопасно использовать\n", " )\n", "\n", " def forward(self, x: torch.Tensor) -> torch.Tensor:\n", " return self._embedding(x)" ] }, { "cell_type": "markdown", "id": "a7e6025b", "metadata": {}, "source": [ "### 1.2 Positional Embeddings\n", "\n", "Архитектура трансформера не учитывает порядок слов, так как внимание обрабатывает все токены параллельно. \n", "Чтобы сохранить последовательность, вводятся **позиционные эмбеддинги**, которые добавляют информацию о позиции каждого токена.\n", "\n", "В GPT-1 используются **синусоиды фиксированной формы**:\n", "$$\n", "PE_{(pos, 2i)} = \\sin\\left(\\frac{pos}{10000^{2i/d_{model}}}\\right), \\quad\n", "PE_{(pos, 2i+1)} = \\cos\\left(\\frac{pos}{10000^{2i/d_{model}}}\\right)\n", "$$\n", "\n", "Окончательное представление токена:\n", "$$\n", "x_i = E_{token}(t_i) + PE(pos_i)\n", "$$" ] }, { "cell_type": "code", "execution_count": 4, "id": "94ddd50d", "metadata": {}, "outputs": [], "source": [ "class PositionEmbeddings(nn.Module):\n", " def __init__(self, max_seq_len: int, emb_size: int):\n", " super().__init__()\n", " self.max_seq_len = max_seq_len\n", " self.emb_size = emb_size\n", " self.embedding = nn.Embedding(\n", " num_embeddings=max_seq_len,\n", " embedding_dim=emb_size\n", " )\n", "\n", " def forward(self, seq_len: int) -> torch.Tensor:\n", " if seq_len < 1 or seq_len > self.max_seq_len:\n", " raise IndexError(f\"Длина {seq_len} должна быть от 1 до {self.max_seq_len}\")\n", " positions = torch.arange(seq_len, device=self.embedding.weight.device)\n", " return self.embedding(positions)" ] }, { "cell_type": "markdown", "id": "5b04dff2", "metadata": {}, "source": [ "## 2. Внимание (Attention)\n", "\n", "\n", "![](https://ucarecdn.com/538faeda-c12d-4137-9f67-e87720d83e13/)\n", "\n", "Механизм внимания — ключевая идея трансформеров. \n", "Он позволяет модели **взвешивать важность других токенов** при обработке текущего, то есть решать, на какие слова нужно обратить внимание при генерации следующего.\n", "\n", "---\n", "\n", "### 2.1 Матрица внимания\n", "\n", "Каждому токену сопоставляются три обучаемых вектора:\n", "- **Query (Q)** — запрос: что текущий токен ищет в других;\n", "- **Key (K)** — ключ: какую информацию несет токен;\n", "- **Value (V)** — значение: само содержимое токена.\n", "\n", "Эти векторы вычисляются линейными преобразованиями входных эмбеддингов:\n", "$$\n", "Q = XW_Q, \\quad K = XW_K, \\quad V = XW_V\n", "$$\n", "\n", "Затем вычисляется **взвешенное внимание**:\n", "$$\n", "\\text{Attention}(Q, K, V) = \\text{softmax}\\left(\\frac{QK^T}{\\sqrt{d_k}}\\right)V\n", "$$\n", "\n", "---\n", "\n", "### 2.2 Матричные операции\n", "\n", "- $QK^T$ — матрица сходства между токенами; \n", "- деление на $\\sqrt{d_k}$ стабилизирует градиенты; \n", "- **softmax** превращает оценки в вероятности; \n", "- умножение результата на $V$ даёт взвешенные представления токенов.\n", "\n" ] }, { "cell_type": "code", "execution_count": 5, "id": "8fe8d3bb", "metadata": {}, "outputs": [], "source": [ "class HeadAttention(nn.Module):\n", " def __init__(self, emb_size: int, head_size: int, max_seq_len: int):\n", " super().__init__()\n", " self._emb_size = emb_size\n", " self._head_size = head_size\n", " self._max_seq_len = max_seq_len\n", "\n", " # Линейные преобразования для Q, K, V\n", " self._k = nn.Linear(emb_size, head_size)\n", " self._q = nn.Linear(emb_size, head_size)\n", " self._v = nn.Linear(emb_size, head_size)\n", "\n", " # Создание causal маски\n", " mask = torch.tril(torch.ones(max_seq_len, max_seq_len))\n", " self.register_buffer('_tril_mask', mask.bool() if hasattr(torch, 'bool') else mask.byte())\n", "\n", " def forward(self, x: torch.Tensor) -> torch.Tensor:\n", " seq_len = x.shape[1]\n", " if seq_len > self._max_seq_len:\n", " raise ValueError(f\"Длина последовательности {seq_len} превышает максимум {self._max_seq_len}\")\n", "\n", " # 1. Линейные преобразования\n", " k = self._k(x) # [B, T, hs]\n", " q = self._q(x) # [B, T, hs]\n", " \n", " # 2. Вычисление scores\n", " scores = q @ k.transpose(-2, -1) / self._head_size ** 0.5\n", " \n", " # 3. Применение causal маски\n", " scores = scores.masked_fill(~self._tril_mask[:seq_len, :seq_len], float('-inf'))\n", " \n", " # 4. Softmax и умножение на V\n", " weights = F.softmax(scores, dim=-1)\n", " return weights @ self._v(x)" ] }, { "cell_type": "markdown", "id": "a920fbcf", "metadata": {}, "source": [ "### 2.3 Мультихед (Multi-Head Attention)\n", "\n", "Вместо одной операции внимания GPT-1 использует несколько параллельных **голов внимания**. \n", "Каждая голова фокусируется на различных аспектах контекста — синтаксисе, семантике или долгосрочных зависимостях.\n", "\n", "$$\n", "\\text{MultiHead}(Q, K, V) = \\text{Concat}(\\text{head}_1, \\dots, \\text{head}_h)W_O\n", "$$\n", "\n", "где каждая голова:\n", "$$\n", "\\text{head}_i = \\text{Attention}(QW_{Qi}, KW_{Ki}, VW_{Vi})\n", "$$\n", "\n", "В GPT-1 используется **12 голов**, что обеспечивает богатое контекстное восприятие текста." ] }, { "cell_type": "code", "execution_count": 6, "id": "d55276a9", "metadata": {}, "outputs": [], "source": [ "\n", "class MultiHeadAttention(nn.Module):\n", " def __init__(self, num_heads: int, emb_size: int, head_size: int, max_seq_len: int, dropout: float = 0.1):\n", " super().__init__()\n", " self._heads = nn.ModuleList([\n", " HeadAttention(\n", " emb_size=emb_size, \n", " head_size=head_size, \n", " max_seq_len=max_seq_len\n", " ) for _ in range(num_heads)\n", " ])\n", " self._layer = nn.Linear(head_size * num_heads, emb_size)\n", " self._dropout = nn.Dropout(dropout)\n", "\n", " def forward(self, x: torch.Tensor, mask: torch.Tensor = None):\n", " # 1. Вычисляем attention для каждой головы\n", " attention_outputs = [head(x) for head in self._heads]\n", " \n", " # 2. Объединяем результаты всех голов\n", " concatenated_attention = torch.cat(attention_outputs, dim=-1)\n", " \n", " # 3. Проецируем в пространство эмбеддингов\n", " projected_output = self._layer(concatenated_attention)\n", " \n", " # 4. Применяем dropout для регуляризации\n", " final_output = self._dropout(projected_output)\n", " \n", " return final_output" ] }, { "cell_type": "markdown", "id": "3ffafb56", "metadata": {}, "source": [ "## 3. Feed Forward Network (FFN)\n", "\n", "![](https://ucarecdn.com/6af52549-95fa-45be-9764-9c399f387aa6/)\n", "\n", "После блока внимания каждый токен независимо проходит через двухслойную нейронную сеть — **Feed Forward Network**. \n", "Она добавляет модели способность нелинейно преобразовывать информацию.\n", "\n", "$$\n", "\\text{FFN}(x) = \\max(0, xW_1 + b_1)W_2 + b_2\n", "$$\n", "\n", "Используется активация **ReLU**. \n", "FFN применяется одинаково к каждому токену и не зависит от порядка слов, что делает вычисления высокопараллельными.\n" ] }, { "cell_type": "code", "execution_count": 7, "id": "84f57562", "metadata": {}, "outputs": [], "source": [ "class FeedForward(nn.Module):\n", " def __init__(self, emb_size: int, dropout: float = 0.1):\n", " super().__init__()\n", " self.net = nn.Sequential(\n", " nn.Linear(emb_size, 4 * emb_size),\n", " nn.ReLU(),\n", " nn.Linear(4 * emb_size, emb_size),\n", " nn.Dropout(dropout)\n", " )\n", "\n", " def forward(self, x: torch.Tensor):\n", " self.net = self.net.to(x.dtype)\n", " return self.net(x)" ] }, { "cell_type": "markdown", "id": "8d9ce9d8", "metadata": {}, "source": [ "## 4. Блок Декодера\n", "\n", "\n", "![](https://ucarecdn.com/c7cc9bf3-cc75-4fac-97a9-ce122c74738e/)\n", "\n", "\n", "Каждый слой GPT-1 — это **декодер**, состоящий из следующих элементов:\n", "\n", "1. **Masked Multi-Head Attention** \n", " Маска запрещает токену видеть будущие позиции, чтобы сохранить авторегрессионное направление генерации (слева направо).\n", "\n", "2. **Остаточные связи + Layer Normalization** \n", " Результат внимания складывается с входом слоя, а затем нормализуется: \n", " $$\n", " x' = \\text{LayerNorm}(x + \\text{Attention}(x))\n", " $$\n", "\n", "3. **Feed Forward + Residual + LayerNorm** \n", " $$\n", " y = \\text{LayerNorm}(x' + \\text{FFN}(x'))\n", " $$\n", "\n", "GPT-1 содержит **12 таких блоков**, соединённых последовательно." ] }, { "cell_type": "code", "execution_count": 8, "id": "300acc96", "metadata": {}, "outputs": [], "source": [ "class Decoder(nn.Module):\n", " def __init__(self, \n", " num_heads: int,\n", " emb_size: int,\n", " head_size: int,\n", " max_seq_len: int,\n", " dropout: float = 0.1\n", " ):\n", " super().__init__()\n", " self._heads = MultiHeadAttention(\n", " num_heads=num_heads, \n", " emb_size=emb_size, \n", " head_size=head_size, \n", " max_seq_len=max_seq_len, \n", " dropout=dropout\n", " )\n", " self._ff = FeedForward(\n", " emb_size=emb_size, \n", " dropout=dropout\n", " )\n", " self._norm1 = nn.LayerNorm(emb_size)\n", " self._norm2 = nn.LayerNorm(emb_size)\n", " #self._dropout_attn = nn.Dropout(dropout)\n", " #self._dropout_ffn = nn.Dropout(dropout)\n", "\n", " def forward(self, x: torch.Tensor, mask: torch.Tensor = None):\n", " # Приведение типов параметров\n", " self._heads = self._heads.to(x.dtype)\n", " self._ff = self._ff.to(x.dtype)\n", " \n", " # Пропустим тензор x через экземпляр MultiHeadAttention.\n", " attention = self._heads(x, mask)\n", " #attention = self._dropout_attn(attention)\n", " \n", " # Выходной тензор из блока внимания сложим с исходным x.\n", " out = attention + x\n", " \n", " # Получившийся тензор пропустим через первый слой нормализации.\n", " norm_out = self._norm1(out)\n", " \n", " # Затем подадим его на вход экземпляру FFN.\n", " ffn_out = self._ff(norm_out)\n", " #ffn_out = self._dropout_ffn(ffn_out)\n", " \n", " # Выходной тензор из FFN сложим с тем, что поступил на вход.\n", " out = ffn_out + norm_out\n", " \n", " # Пропустим получившийся тензор через второй слой нормализации.\n", " norm_out = self._norm2(out)\n", " \n", " # Вернем итоговый тензор размером batch_size x seq_len x emb_size.\n", " return norm_out" ] }, { "cell_type": "markdown", "id": "888d1a1c", "metadata": {}, "source": [ "## 5. Обучение GPT-1\n", "\n", "GPT-1 обучается в два этапа:\n", "\n", "- 1️⃣ **Предобучение (Unsupervised Pretraining)** \n", "- 2️⃣ **Дообучение (Supervised Fine-Tuning)**\n" ] }, { "cell_type": "code", "execution_count": 9, "id": "0eb26ef3", "metadata": {}, "outputs": [], "source": [ "class GPT(nn.Module):\n", " \"\"\"GPT-like трансформер для генерации текста\n", " \n", " Args:\n", " vocab_size: Размер словаря\n", " max_seq_len: Макс. длина последовательности\n", " emb_size: Размерность эмбеддингов\n", " num_heads: Количество голов внимания\n", " head_size: Размерность голов внимания\n", " num_layers: Количество слоёв декодера\n", " dropout: Вероятность dropout (default=0.1)\n", " device: Устройство (default='cpu')\n", " \"\"\"\n", " def __init__(self,\n", " vocab_size: int,\n", " max_seq_len: int,\n", " emb_size: int,\n", " num_heads: int,\n", " head_size: int,\n", " num_layers: int,\n", " dropout: float = 0.1,\n", " device: str = 'cpu'\n", " ):\n", " super().__init__()\n", " self.device = device\n", " self.max_seq_len = max_seq_len\n", " \n", " # Инициализация слоев\n", " self._token_embeddings = TokenEmbeddings(\n", " vocab_size=vocab_size, \n", " emb_size=emb_size\n", " )\n", " self._position_embeddings = PositionEmbeddings(\n", " max_seq_len=max_seq_len, \n", " emb_size=emb_size\n", " )\n", " self._dropout = nn.Dropout(dropout)\n", " self._decoders = nn.ModuleList([Decoder(\n", " num_heads=num_heads,\n", " emb_size=emb_size,\n", " head_size=head_size,\n", " max_seq_len=max_seq_len,\n", " dropout=dropout \n", " ) for _ in range(num_layers)])\n", " self._linear = nn.Linear(emb_size, vocab_size)\n", "\n", " def forward(self, x: torch.Tensor) -> torch.Tensor:\n", " \"\"\"Прямой проход через GPT\n", " \n", " Args:\n", " x: Входной тензор [batch_size, seq_len]\n", " \n", " Returns:\n", " Тензор логитов [batch_size, seq_len, vocab_size]\n", " \"\"\"\n", " # Проверка длины последовательности\n", " if x.size(1) > self.max_seq_len:\n", " raise ValueError(f\"Длина последовательности {x.size(1)} превышает максимальную {self.max_seq_len}\")\n", " \n", " # Эмбеддинги токенов и позиций\n", " tok_out = self._token_embeddings(x) # [batch, seq_len, emb_size]\n", " pos_out = self._position_embeddings(x.size(1)) # [seq_len, emb_size]\n", " \n", " # Комбинирование\n", " out = self._dropout(tok_out + pos_out.unsqueeze(0)) # [batch, seq_len, emb_size]\n", " \n", " # Стек декодеров\n", " for decoder in self._decoders:\n", " out = decoder(out)\n", " \n", " return self._linear(out) # [batch, seq_len, vocab_size]\n", "\n", " def generate(self, x: torch.Tensor, max_new_tokens: int):\n", " for _ in range(max_new_tokens):\n", " # 1. Обрезаем вход, если последовательность слишком длинная\n", " x_cond = x[:, -self.max_seq_len:]\n", "\n", " # 2. Передаем последовательность в метод forward класса GPT и полуаем логиты.\n", " logits = self.forward(x_cond)\n", "\n", " # 3. Берем логиты для последнего токена\n", " last_logits = logits[:, -1, :] # [batch_size, vocab_size]\n", "\n", " # 4. Применяем Softmax\n", " probs = F.softmax(last_logits, dim=-1) # [batch_size, vocab_size]\n", "\n", " # 5. Выбираем токен с максимальной вероятностью\n", " next_token = torch.argmax(probs, dim=-1, keepdim=True) # [batch_size, 1]\n", "\n", " # 6. Добавляем его к последовательности\n", " x = torch.cat([x, next_token], dim=1) # [batch_size, seq_len+1] \n", " return x" ] }, { "cell_type": "markdown", "id": "b47966ba", "metadata": {}, "source": [ "\n", "\n", "### 5.1 Предобучение\n", "\n", "На первом этапе модель обучается без разметки: она получает большой корпус текстов и учится **предсказывать следующий токен** по предыдущим.\n", "\n", "Функция потерь:\n", "$$\n", "L = - \\sum_{t=1}^{T} \\log P(x_t | x_1, x_2, ..., x_{t-1})\n", "$$\n", "\n", "Таким образом, модель учится строить вероятностную модель языка, \"угадывая\" продолжение текста.\n" ] }, { "cell_type": "markdown", "id": "12e4624e", "metadata": {}, "source": [ "Во время **предобучения** GPT-1 учится **предсказывать следующий токен** (language modeling task). \n", "Формально: \n", "$$ \n", "P(x_t ,|, x_1, x_2, \\dots, x_{t-1}) \n", "$$ \n", "То есть, если на вход подаётся предложение `\"I love deep\"`, модель должна предсказать `\"learning\"`.\n" ] }, { "cell_type": "markdown", "id": "87dcc10e", "metadata": {}, "source": [ "### ✅ 5.1.1 Подготовка данных\n", "\n", "Создадим **датасет** на основе BPE-токенизатора:" ] }, { "cell_type": "code", "execution_count": 10, "id": "632eec77", "metadata": {}, "outputs": [], "source": [ "import torch\n", "from torch.utils.data import Dataset, DataLoader\n", "\n", "class GPTDataset(Dataset):\n", " def __init__(self, text: str, bpe: BPE, block_size: int):\n", " self.bpe = bpe\n", " self.block_size = block_size\n", " self.data = bpe.encode(text)\n", " \n", " def __len__(self):\n", " return len(self.data) - self.block_size\n", "\n", " def __getitem__(self, idx):\n", " x = torch.tensor(self.data[idx:idx+self.block_size], dtype=torch.long)\n", " y = torch.tensor(self.data[idx+1:idx+self.block_size+1], dtype=torch.long)\n", " return x, y" ] }, { "cell_type": "markdown", "id": "bb5d83d8", "metadata": {}, "source": [ "- `x` — входная последовательность токенов\n", " \n", "- `y` — та же последовательность, но сдвинутая на один токен вперёд (цель)" ] }, { "cell_type": "markdown", "id": "24de37be", "metadata": {}, "source": [ "### ✅ 5.1.2 Цикл обучения\n", "\n", "Для обучения создадим функцию:" ] }, { "cell_type": "code", "execution_count": 11, "id": "8003ea24", "metadata": {}, "outputs": [], "source": [ "import torch.nn.functional as F\n", "from torch import optim\n", "\n", "def train_gpt(model, dataset, epochs=5, batch_size=32, lr=3e-4, device='cpu'):\n", " dataloader = DataLoader(dataset, batch_size=batch_size, shuffle=True)\n", " optimizer = optim.AdamW(model.parameters(), lr=lr)\n", "\n", " model.to(device)\n", " model.train()\n", "\n", " for epoch in range(epochs):\n", " total_loss = 0\n", " for x, y in dataloader:\n", " x, y = x.to(device), y.to(device)\n", "\n", " # Прямой проход\n", " logits = model(x) # [B, T, vocab_size]\n", "\n", " # Перестроим выход под CrossEntropy\n", " loss = F.cross_entropy(logits.view(-1, logits.size(-1)), y.view(-1))\n", "\n", " # Обратное распространение\n", " optimizer.zero_grad()\n", " loss.backward()\n", " optimizer.step()\n", "\n", " total_loss += loss.item()\n", "\n", " avg_loss = total_loss / len(dataloader)\n", " print(f\"Epoch {epoch+1}/{epochs}, Loss: {avg_loss:.4f}\")\n", "\n", " return model" ] }, { "cell_type": "markdown", "id": "3c351b56", "metadata": {}, "source": [ "### ✅ 5.1.3 Пример запуска" ] }, { "cell_type": "code", "execution_count": 12, "id": "dd700a5c", "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "Dataset length: 20\n", "Epoch 1/100, Loss: 4.5466\n", "Epoch 2/100, Loss: 4.2532\n", "Epoch 3/100, Loss: 3.9998\n", "Epoch 4/100, Loss: 3.7857\n", "Epoch 5/100, Loss: 3.5823\n", "Epoch 6/100, Loss: 3.3802\n", "Epoch 7/100, Loss: 3.2312\n", "Epoch 8/100, Loss: 3.0589\n", "Epoch 9/100, Loss: 2.8971\n", "Epoch 10/100, Loss: 2.7329\n", "Epoch 11/100, Loss: 2.5889\n", "Epoch 12/100, Loss: 2.4817\n", "Epoch 13/100, Loss: 2.3101\n", "Epoch 14/100, Loss: 2.1343\n", "Epoch 15/100, Loss: 2.0490\n", "Epoch 16/100, Loss: 1.8943\n", "Epoch 17/100, Loss: 1.7862\n", "Epoch 18/100, Loss: 1.6848\n", "Epoch 19/100, Loss: 1.5660\n", "Epoch 20/100, Loss: 1.4896\n", "Epoch 21/100, Loss: 1.3954\n", "Epoch 22/100, Loss: 1.3091\n", "Epoch 23/100, Loss: 1.2422\n", "Epoch 24/100, Loss: 1.1602\n", "Epoch 25/100, Loss: 1.1006\n", "Epoch 26/100, Loss: 1.0547\n", "Epoch 27/100, Loss: 0.9972\n", "Epoch 28/100, Loss: 0.9414\n", "Epoch 29/100, Loss: 0.8983\n", "Epoch 30/100, Loss: 0.8630\n", "Epoch 31/100, Loss: 0.7975\n", "Epoch 32/100, Loss: 0.7723\n", "Epoch 33/100, Loss: 0.7307\n", "Epoch 34/100, Loss: 0.7038\n", "Epoch 35/100, Loss: 0.6767\n", "Epoch 36/100, Loss: 0.6498\n", "Epoch 37/100, Loss: 0.6052\n", "Epoch 38/100, Loss: 0.5923\n", "Epoch 39/100, Loss: 0.5587\n", "Epoch 40/100, Loss: 0.5362\n", "Epoch 41/100, Loss: 0.5186\n", "Epoch 42/100, Loss: 0.4819\n", "Epoch 43/100, Loss: 0.4704\n", "Epoch 44/100, Loss: 0.4753\n", "Epoch 45/100, Loss: 0.4510\n", "Epoch 46/100, Loss: 0.4102\n", "Epoch 47/100, Loss: 0.3981\n", "Epoch 48/100, Loss: 0.3920\n", "Epoch 49/100, Loss: 0.3864\n", "Epoch 50/100, Loss: 0.3532\n", "Epoch 51/100, Loss: 0.3462\n", "Epoch 52/100, Loss: 0.3315\n", "Epoch 53/100, Loss: 0.3281\n", "Epoch 54/100, Loss: 0.3150\n", "Epoch 55/100, Loss: 0.3121\n", "Epoch 56/100, Loss: 0.3134\n", "Epoch 57/100, Loss: 0.2914\n", "Epoch 58/100, Loss: 0.2914\n", "Epoch 59/100, Loss: 0.2678\n", "Epoch 60/100, Loss: 0.2641\n", "Epoch 61/100, Loss: 0.2631\n", "Epoch 62/100, Loss: 0.2479\n", "Epoch 63/100, Loss: 0.2349\n", "Epoch 64/100, Loss: 0.2383\n", "Epoch 65/100, Loss: 0.2283\n", "Epoch 66/100, Loss: 0.2229\n", "Epoch 67/100, Loss: 0.2152\n", "Epoch 68/100, Loss: 0.2116\n", "Epoch 69/100, Loss: 0.2042\n", "Epoch 70/100, Loss: 0.1961\n", "Epoch 71/100, Loss: 0.1787\n", "Epoch 72/100, Loss: 0.1907\n", "Epoch 73/100, Loss: 0.1777\n", "Epoch 74/100, Loss: 0.1813\n", "Epoch 75/100, Loss: 0.1711\n", "Epoch 76/100, Loss: 0.1836\n", "Epoch 77/100, Loss: 0.1748\n", "Epoch 78/100, Loss: 0.1684\n", "Epoch 79/100, Loss: 0.1622\n", "Epoch 80/100, Loss: 0.1739\n", "Epoch 81/100, Loss: 0.1607\n", "Epoch 82/100, Loss: 0.1657\n", "Epoch 83/100, Loss: 0.1579\n", "Epoch 84/100, Loss: 0.1588\n", "Epoch 85/100, Loss: 0.1526\n", "Epoch 86/100, Loss: 0.1405\n", "Epoch 87/100, Loss: 0.1420\n", "Epoch 88/100, Loss: 0.1531\n", "Epoch 89/100, Loss: 0.1392\n", "Epoch 90/100, Loss: 0.1355\n", "Epoch 91/100, Loss: 0.1278\n", "Epoch 92/100, Loss: 0.1331\n", "Epoch 93/100, Loss: 0.1343\n", "Epoch 94/100, Loss: 0.1355\n", "Epoch 95/100, Loss: 0.1298\n", "Epoch 96/100, Loss: 0.1254\n", "Epoch 97/100, Loss: 0.1149\n", "Epoch 98/100, Loss: 0.1265\n", "Epoch 99/100, Loss: 0.1308\n", "Epoch 100/100, Loss: 0.1178\n" ] }, { "data": { "text/plain": [ "GPT(\n", " (_token_embeddings): TokenEmbeddings(\n", " (_embedding): Embedding(100, 64, padding_idx=0)\n", " )\n", " (_position_embeddings): PositionEmbeddings(\n", " (embedding): Embedding(8, 64)\n", " )\n", " (_dropout): Dropout(p=0.1, inplace=False)\n", " (_decoders): ModuleList(\n", " (0-1): 2 x Decoder(\n", " (_heads): MultiHeadAttention(\n", " (_heads): ModuleList(\n", " (0-3): 4 x HeadAttention(\n", " (_k): Linear(in_features=64, out_features=16, bias=True)\n", " (_q): Linear(in_features=64, out_features=16, bias=True)\n", " (_v): Linear(in_features=64, out_features=16, bias=True)\n", " )\n", " )\n", " (_layer): Linear(in_features=64, out_features=64, bias=True)\n", " (_dropout): Dropout(p=0.1, inplace=False)\n", " )\n", " (_ff): FeedForward(\n", " (net): Sequential(\n", " (0): Linear(in_features=64, out_features=256, bias=True)\n", " (1): ReLU()\n", " (2): Linear(in_features=256, out_features=64, bias=True)\n", " (3): Dropout(p=0.1, inplace=False)\n", " )\n", " )\n", " (_norm1): LayerNorm((64,), eps=1e-05, elementwise_affine=True)\n", " (_norm2): LayerNorm((64,), eps=1e-05, elementwise_affine=True)\n", " )\n", " )\n", " (_linear): Linear(in_features=64, out_features=100, bias=True)\n", ")" ] }, "execution_count": 12, "metadata": {}, "output_type": "execute_result" } ], "source": [ "# 1. Исходный текст\n", "text = \"Deep learning is amazing. Transformers changed the world. Attention is all you need. GPT models revolutionized NLP.\"\n", "\n", "# 2. Обучаем токенизатор\n", "bpe = BPE(vocab_size=100)\n", "bpe.fit(text)\n", "\n", "# 3. Создаем датасет\n", "dataset = GPTDataset(text, bpe, block_size=8)\n", "print(f\"Dataset length: {len(dataset)}\")\n", "\n", "# 4. Инициализируем модель\n", "gpt = GPT(\n", " vocab_size=len(bpe.vocab),\n", " max_seq_len=8,\n", " emb_size=64,\n", " num_heads=4,\n", " head_size=16,\n", " num_layers=2,\n", " dropout=0.1\n", ")\n", "\n", "# 5. Обучаем\n", "train_gpt(gpt, dataset, epochs=100, batch_size=4)" ] }, { "cell_type": "markdown", "id": "c3714dfc", "metadata": {}, "source": [ "\n", "---\n", "\n", "### 5.2 Дообучение\n", "\n", "После предобучения GPT-1 уже знает структуру и грамматику языка. \n", "На втором этапе она дообучается на конкретных задачах (например, классификация, QA) с помощью размеченных данных.\n", "\n", "Технически это почти то же обучение, только:\n", "\n", "- Загружаем модель с уже обученными весами.\n", "- Используем новые данные.\n", "- Можно уменьшить скорость обучения.\n", "- Иногда замораживают часть слоёв (например, эмбеддинги).\n" ] }, { "cell_type": "code", "execution_count": 13, "id": "4afd7733", "metadata": {}, "outputs": [], "source": [ "def fine_tune_gpt(model, dataset, epochs=3, batch_size=16, lr=1e-5, device='cpu', freeze_embeddings=True):\n", " if freeze_embeddings:\n", " for param in model._token_embeddings.parameters():\n", " param.requires_grad = False\n", " for param in model._position_embeddings.parameters():\n", " param.requires_grad = False\n", "\n", " dataloader = DataLoader(dataset, batch_size=batch_size, shuffle=True)\n", " optimizer = optim.AdamW(filter(lambda p: p.requires_grad, model.parameters()), lr=lr)\n", "\n", " model.to(device)\n", " model.train()\n", "\n", " for epoch in range(epochs):\n", " total_loss = 0\n", " for x, y in dataloader:\n", " x, y = x.to(device), y.to(device)\n", " logits = model(x)\n", " loss = F.cross_entropy(logits.view(-1, logits.size(-1)), y.view(-1))\n", " optimizer.zero_grad()\n", " loss.backward()\n", " optimizer.step()\n", " total_loss += loss.item()\n", " print(f\"Fine-tune Epoch {epoch+1}/{epochs}, Loss: {total_loss / len(dataloader):.4f}\")" ] }, { "cell_type": "markdown", "id": "d1698def", "metadata": {}, "source": [] }, { "cell_type": "code", "execution_count": 14, "id": "71bb6b24", "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "Fine-tune Epoch 1/10, Loss: 4.3808\n", "Fine-tune Epoch 2/10, Loss: 3.9245\n", "Fine-tune Epoch 3/10, Loss: 3.5217\n", "Fine-tune Epoch 4/10, Loss: 3.2451\n", "Fine-tune Epoch 5/10, Loss: 3.0076\n", "Fine-tune Epoch 6/10, Loss: 2.8133\n", "Fine-tune Epoch 7/10, Loss: 2.6857\n", "Fine-tune Epoch 8/10, Loss: 2.5984\n", "Fine-tune Epoch 9/10, Loss: 2.5168\n", "Fine-tune Epoch 10/10, Loss: 2.4128\n" ] } ], "source": [ "# Например, мы хотим дообучить модель на стиле коротких технических фраз\n", "fine_tune_text = \"\"\"\n", "Transformers revolutionize NLP.\n", "Deep learning enables self-attention.\n", "GPT generates text autoregressively.\n", "\"\"\"\n", "\n", "dataset = GPTDataset(fine_tune_text, bpe, block_size=8)\n", "\n", "\n", "# Запуск дообучения\n", "fine_tune_gpt(gpt, dataset, epochs=10, batch_size=4, lr=1e-4)" ] }, { "cell_type": "markdown", "id": "d5ff63e9", "metadata": {}, "source": [ "## 📝 6. Генерация текста после обучения" ] }, { "cell_type": "code", "execution_count": 15, "id": "ccb9621a", "metadata": {}, "outputs": [], "source": [ "def generate_text(model, bpe, prompt: str, max_new_tokens=20, device='cpu'):\n", " model.eval()\n", " ids = torch.tensor([bpe.encode(prompt)], dtype=torch.long).to(device)\n", " out = model.generate(ids, max_new_tokens=max_new_tokens)\n", " text = bpe.decode(out[0].tolist())\n", " return text" ] }, { "cell_type": "code", "execution_count": 16, "id": "f1b82472", "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "Deep learning e els revolutionized NLP.\n" ] } ], "source": [ "print(generate_text(gpt, bpe, \"Deep learning\", max_new_tokens=20))" ] }, { "cell_type": "code", "execution_count": null, "id": "eb376510", "metadata": {}, "outputs": [], "source": [] } ], "metadata": { "kernelspec": { "display_name": ".venv", "language": "python", "name": "python3" }, "language_info": { "codemirror_mode": { "name": "ipython", "version": 3 }, "file_extension": ".py", "mimetype": "text/x-python", "name": "python", "nbconvert_exporter": "python", "pygments_lexer": "ipython3", "version": "3.10.9" } }, "nbformat": 4, "nbformat_minor": 5 }