mirror of
https://github.com/pese-git/llm-arch-research.git
synced 2026-01-24 05:21:16 +00:00
73ee3e16ec
- Added detailed documentation for GPT, GPT2 and LLaMA models - Enhanced docstrings in base_model.py, rope.py, rms_norm.py, swi_glu.py - Updated README with architectural differences and usage examples - Added scientific references and mathematical foundations - Improved type hints and parameter descriptions
341 lines
11 KiB
Markdown
341 lines
11 KiB
Markdown
# LLM Architecture Research
|
||
|
||
Исследовательский проект для разработки и обучения архитектур больших языковых моделей (LLM).
|
||
|
||
## 🏗️ Архитектура проекта
|
||
|
||
Проект организован как монорепозиторий с использованием **uv** workspace:
|
||
|
||
- **`llm`** — основная библиотека с реализацией архитектур LLM (GPT, GPT-2)
|
||
- **`hf-proxy`** — адаптер для интеграции с HuggingFace
|
||
- **`experiments`** — скрипты обучения и экспериментов
|
||
- **`notebooks`** — исследовательские ноутбуки
|
||
|
||
## 📁 Структура проекта
|
||
|
||
```
|
||
llm-arch-research/
|
||
│
|
||
├── pyproject.toml # корневой workspace конфиг
|
||
├── uv.lock
|
||
│
|
||
├── llm/ # основная библиотека архитектур
|
||
│ ├── pyproject.toml
|
||
│ └── src/llm/
|
||
│ ├── core/ # базовые компоненты
|
||
│ │ ├── base_model.py
|
||
│ │ ├── cached_decoder.py # Декодер с кэшированием
|
||
│ │ ├── decoder.py
|
||
│ │ ├── multi_head_attention.py
|
||
│ │ ├── head_attention.py
|
||
│ │ ├── feed_forward.py
|
||
│ │ ├── token_embeddings.py
|
||
│ │ ├── positional_embeddings.py
|
||
│ │ ├── rope.py # Rotary Positional Embeddings
|
||
│ │ ├── rms_norm.py # RMS Normalization
|
||
│ │ ├── swi_glu.py # SwiGLU активация
|
||
│ │ ├── silu.py # SiLU активация
|
||
│ │ └── gelu.py # GELU активация
|
||
│ ├── models/ # Реализации моделей
|
||
│ │ ├── gpt/ # GPT и GPT-2 архитектуры
|
||
│ │ │ ├── gpt.py
|
||
│ │ │ ├── gpt2.py
|
||
│ │ │ └── __init__.py
|
||
│ │ └── llama/ # LLaMA архитектура
|
||
│ │ ├── llama.py
|
||
│ │ └── __init__.py
|
||
│ ├── training/ # утилиты обучения
|
||
│ │ ├── dataset.py
|
||
│ │ ├── trainer.py
|
||
│ │ ├── optimizer.py
|
||
│ │ └── scheduler.py
|
||
│ ├── evaluation/ # оценка моделей
|
||
│ └── tokenizers/ # токенизаторы
|
||
│ ├── base_tokenizer.py
|
||
│ └── bpe_tokenizer.py
|
||
│
|
||
├── hf-proxy/ # адаптер HuggingFace
|
||
│ ├── pyproject.toml
|
||
│ └── src/hf_proxy/
|
||
│ ├── hf_config.py
|
||
│ ├── hf_adapter.py
|
||
│ ├── hf_tokenizer.py
|
||
│ └── hf_utils.py
|
||
│
|
||
├── experiments/ # скрипты обучения и экспериментов
|
||
│ ├── hf_integration/ # интеграция с HuggingFace
|
||
│ │ ├── train_with_hf_trainer.py
|
||
│ │ ├── generate_with_hf_tools.py
|
||
│ │ ├── simple_hf_training.py
|
||
│ │ └── test_hf_proxy.py
|
||
│ ├── llm_only/ # обучение без HF
|
||
│ │ ├── train_gpt_bpe.py
|
||
│ │ └── generate_gpt_bpe.py
|
||
│ └── shared/ # общие утилиты
|
||
│ ├── configs.py
|
||
│ └── data.py
|
||
│
|
||
├── checkpoints/ # сохраненные модели и токенизаторы
|
||
└── notebooks/ # исследовательские ноутбуки
|
||
```
|
||
|
||
## 🚀 Быстрый старт
|
||
|
||
### Установка зависимостей
|
||
|
||
```bash
|
||
# Установка всех зависимостей workspace
|
||
uv sync
|
||
|
||
# Установка с dev-зависимостями
|
||
uv sync --extra dev
|
||
```
|
||
|
||
### Запуск обучения GPT
|
||
|
||
```bash
|
||
# Обучение базовой GPT модели
|
||
uv run python experiments/llm_only/train_gpt_bpe.py
|
||
|
||
# Обучение с интеграцией HuggingFace
|
||
uv run python experiments/hf_integration/simple_hf_training.py
|
||
```
|
||
|
||
### Тестирование hf-proxy
|
||
|
||
```bash
|
||
# Базовое тестирование интеграции
|
||
uv run python experiments/hf_integration/test_hf_proxy.py
|
||
|
||
# Генерация через HF инструменты
|
||
uv run python experiments/hf_integration/generate_with_hf_tools.py
|
||
```
|
||
|
||
### Использование в коде
|
||
|
||
```python
|
||
from llm.models.gpt import GPT, GPT2
|
||
from llm.tokenizers import BPETokenizer
|
||
from hf_proxy import HFAdapter, HFTokenizerAdapter
|
||
|
||
# Создание GPT модели
|
||
config = {
|
||
"vocab_size": 50257,
|
||
"embed_dim": 256,
|
||
"num_heads": 4,
|
||
"num_layers": 4,
|
||
"max_position_embeddings": 128,
|
||
"dropout": 0.1
|
||
}
|
||
model = GPT(config)
|
||
|
||
# Создание GPT-2 модели (пример)
|
||
gpt2_config = {
|
||
"vocab_size": 50257,
|
||
"embed_dim": 768,
|
||
"num_heads": 12,
|
||
"num_layers": 12,
|
||
"max_position_embeddings": 1024,
|
||
"dropout": 0.1
|
||
}
|
||
gpt2_model = GPT2(gpt2_config)
|
||
|
||
# Генерация текста
|
||
generated = model.generate(
|
||
input_ids,
|
||
max_new_tokens=50,
|
||
do_sample=True,
|
||
temperature=0.7
|
||
)
|
||
|
||
# Использование с HuggingFace через hf-proxy
|
||
hf_model = HFAdapter.from_llm_model(model)
|
||
hf_tokenizer = HFTokenizerAdapter(tokenizer)
|
||
|
||
# Генерация через HF интерфейс
|
||
generated = hf_model.generate(
|
||
input_ids=inputs['input_ids'],
|
||
max_new_tokens=50,
|
||
do_sample=True,
|
||
temperature=0.7
|
||
)
|
||
```
|
||
|
||
## 🛠️ Технологический стек
|
||
|
||
- **Python 3.10+** — язык программирования
|
||
- **uv** — современный менеджер пакетов и workspace
|
||
- **PyTorch 2.8+** — фреймворк глубокого обучения
|
||
- **Transformers** — интеграция с HuggingFace
|
||
- **Datasets** — работа с данными
|
||
- **TOML** — конфигурационные файлы
|
||
|
||
## 📦 Зависимости
|
||
|
||
### Корневой workspace
|
||
```toml
|
||
[project]
|
||
dependencies = ["tqdm>=4,<5"]
|
||
|
||
[project.optional-dependencies]
|
||
dev = [
|
||
"pytest>=8.0.0",
|
||
"black>=24.0.0",
|
||
"ruff>=0.3.0",
|
||
"mypy>=1.8.0",
|
||
"jupyter>=1.0.0",
|
||
]
|
||
test = [
|
||
"pytest>=8.0.0",
|
||
"pytest-cov>=4.1.0",
|
||
]
|
||
```
|
||
|
||
### Пакет llm
|
||
```toml
|
||
[project]
|
||
dependencies = [
|
||
"torch>=2.3.0",
|
||
"numpy>=1.24.0",
|
||
]
|
||
```
|
||
|
||
### Пакет hf-proxy
|
||
```toml
|
||
[project]
|
||
dependencies = [
|
||
"torch>=2.3.0",
|
||
"transformers>=4.44.0",
|
||
"datasets>=2.20.0",
|
||
]
|
||
```
|
||
|
||
## 🎯 Реализованные возможности
|
||
|
||
### Архитектуры GPT и GPT-2
|
||
- ✅ Токенные и позиционные эмбеддинги
|
||
- ✅ Многоголовое внимание с causal mask
|
||
- ✅ Декодерные блоки с residual connections
|
||
- ✅ Layer normalization
|
||
- ✅ Dropout регуляризация
|
||
- ✅ Отдельные реализации GPT и GPT-2 (различия в масштабе и деталях архитектуры)
|
||
|
||
### Генерация текста
|
||
- ✅ Жадный поиск (greedy decoding)
|
||
- ✅ Вероятностное сэмплирование
|
||
- ✅ Top-k сэмплирование
|
||
- ✅ Nucleus sampling (top-p)
|
||
- ✅ Контроль температуры
|
||
|
||
### Обучение
|
||
- ✅ Датасет для языкового моделирования
|
||
- ✅ Базовый тренировочный цикл
|
||
- ✅ Оптимизатор AdamW
|
||
- ✅ Сохранение чекпоинтов
|
||
|
||
### Интеграция с HuggingFace (hf-proxy)
|
||
- ✅ Адаптер моделей для совместимости с HF интерфейсами
|
||
- ✅ Адаптер токенизаторов с поддержкой всех методов HF
|
||
- ✅ Сохранение и загрузка в HF формате
|
||
- ✅ Совместимость с HF Trainer и pipelines
|
||
- ✅ Генерация через стандартные HF интерфейсы
|
||
|
||
## 🔬 Эксперименты с hf-proxy
|
||
|
||
### Успешно протестированные функции:
|
||
|
||
1. **Базовая интеграция** (`test_hf_proxy.py`)
|
||
- ✅ Создание HF адаптера для токенизаторов
|
||
- ✅ Создание HF адаптера для моделей
|
||
- ✅ Токенизация и декодирование
|
||
- ✅ Forward pass через адаптированную модель
|
||
- ✅ Сохранение и загрузка моделей
|
||
|
||
2. **Упрощенное обучение** (`simple_hf_training.py`)
|
||
- ✅ Обучение GPT модели с использованием hf-proxy
|
||
- ✅ Ручной цикл обучения без сложных зависимостей
|
||
- ✅ Сохранение результатов обучения
|
||
|
||
3. **Генерация через HF инструменты** (`generate_with_hf_tools.py`)
|
||
- ✅ Загрузка моделей в HF формате
|
||
- ✅ Генерация через стандартные HF интерфейсы
|
||
- ✅ Сравнение стратегий генерации
|
||
- ✅ Интерактивная генерация
|
||
|
||
### Решенные проблемы:
|
||
|
||
- ✅ Исправление метода `pad` в токенизаторе для обработки разных типов данных
|
||
- ✅ Корректная загрузка моделей с передачей конфигурации
|
||
- ✅ Совместимость с HF экосистемой
|
||
|
||
## 📊 Примеры работы
|
||
|
||
### Обучение модели
|
||
```bash
|
||
🚀 УПРОЩЕННОЕ ОБУЧЕНИЕ GPT С HF-PROXY
|
||
=========================================================
|
||
🔧 Подготовка данных...
|
||
📊 Данные: 10 train, 2 validation
|
||
🔧 Подготовка токенизатора...
|
||
✅ Токенизатор создан (vocab_size=473)
|
||
🔧 Подготовка модели...
|
||
✅ Модель создана
|
||
🎯 Обучение модели...
|
||
📊 Результаты обучения:
|
||
Final train loss: 4.6802
|
||
Final val loss: 5.1834
|
||
✅ Модель сохранена
|
||
```
|
||
|
||
### Генерация через HF интерфейсы
|
||
```bash
|
||
🧪 Тестирование HuggingFace pipeline...
|
||
🎯 Генерация текста через HF адаптер
|
||
🔤 Промпт: 'Искусственный'
|
||
🎯 Результат: 'Искусственный интеллект продолжает развиваться...'
|
||
```
|
||
|
||
## 🔧 Разработка
|
||
|
||
### Добавление зависимостей
|
||
```bash
|
||
# В корневой проект
|
||
uv add package-name
|
||
|
||
# В конкретный пакет
|
||
cd llm && uv add package-name
|
||
|
||
# Dev-зависимости
|
||
uv add --dev pytest black
|
||
```
|
||
|
||
### Запуск тестов
|
||
```bash
|
||
uv run pytest
|
||
```
|
||
|
||
### Форматирование кода
|
||
```bash
|
||
uv run black .
|
||
uv run ruff check .
|
||
```
|
||
|
||
## 🤝 Вклад в проект
|
||
|
||
1. Форкните репозиторий
|
||
2. Создайте feature ветку
|
||
3. Внесите изменения
|
||
4. Запустите тесты: `uv run pytest`
|
||
5. Отформатируйте код: `uv run black . && uv run ruff check .`
|
||
6. Создайте pull request
|
||
|
||
## 📄 Лицензия
|
||
|
||
MIT License
|
||
|
||
---
|
||
|
||
**Разработано с ❤️ для исследований в области LLM**
|
||
|
||
*Обновлено: Октябрь 2025*
|