feat: добавление реализации модели GPT

Основные изменения:
- Реализован основной класс GPT в simple_llm/transformer/gpt.py:
  * Токенные и позиционные эмбеддинги
  * Многоголовое внимание
  * Полносвязные слои
  * Нормализация слоев
  * Поддержка dropout

- Добавлен пример использования в example/example_gpt.py:
  * Инициализация модели
  * Генерация текста
  * Сохранение/загрузка модели

- Написаны тесты:
  * Базовый функционал модели
  * Операции сохранения/загрузки
  * Проверка размерностей ввода/вывода

- Добавлена документация на русском:
  * Обзор архитектуры
  * Процесс обучения
  * Примеры использования

- Обновлен README.md с информацией о GPT

example/example_gpt.py

@@ -0,0 +1,71 @@
+"""
+Пример использования GPT модели из simple_llm
+
+1. Инициализация модели
+2. Генерация текста
+3. Сохранение/загрузка модели
+"""
+
+import torch
+from simple_llm.transformer.gpt import GPT
+
+def main():
+    # Конфигурация модели
+    config = {
+        'vocab_size': 10000,  # Размер словаря
+        'max_seq_len': 256,   # Макс. длина последовательности
+        'emb_size': 512,      # Размерность эмбеддингов
+        'num_heads': 8,       # Количество голов внимания
+        'head_size': 64,      # Размер каждой головы внимания
+        'num_layers': 6,      # Количество слоев декодера
+        'dropout': 0.1,       # Dropout
+        'device': 'cuda' if torch.cuda.is_available() else 'cpu'
+    }
+
+    # 1. Инициализация модели
+    print("Инициализация GPT модели...")
+    model = GPT(**config)
+    print(f"Модель создана на устройстве: {config['device']}")
+    print(f"Количество параметров: {sum(p.numel() for p in model.parameters()):,}")
+
+    # 2. Пример генерации с токенизатором
+    try:
+        from simple_llm.tokenizer.simple_bpe import SimpleBPE
+        print("\nИнициализация токенизатора...")
+        tokenizer = SimpleBPE()
+        
+        text = "Пример текста для генерации"
+        print(f"Исходный текст: '{text}'")
+        
+        input_ids = tokenizer.encode(text)
+        print(f"Токенизированный ввод: {input_ids}")
+        
+        input_seq = torch.tensor([input_ids], device=config['device'])
+        generated = model.generate(input_seq, max_new_tokens=20)
+        
+        decoded_text = tokenizer.decode(generated[0].tolist())
+        print(f"\nСгенерированный текст: '{decoded_text}'")
+    except ImportError:
+        print("\nТокенизатор не найден, используется числовая генерация...")
+        input_seq = torch.randint(0, config['vocab_size'], (1, 10)).to(config['device'])
+        print(f"Числовой ввод: {input_seq.tolist()[0]}")
+        
+        generated = model.generate(input_seq, max_new_tokens=20)
+        print(f"Числовой вывод: {generated.tolist()[0]}")
+
+    # 3. Сохранение и загрузка модели
+    print("\nТест сохранения/загрузки...")
+    import tempfile
+    with tempfile.NamedTemporaryFile() as tmp:
+        model.save(tmp.name)
+        print(f"Модель сохранена во временный файл: {tmp.name}")
+        
+        loaded_model = GPT.load(tmp.name, device=config['device'])
+        print("Модель успешно загружена")
+        
+        # Проверка работы загруженной модели
+        test_output = loaded_model(input_seq)
+        print(f"Тест загруженной модели - выходная форма: {test_output.shape}")
+
+if __name__ == "__main__":
+    main()