Рефакторинг и улучшение компонентов

Основные изменения в коде:

1. Токенизатор (bpe.py):
- Добавлен прогресс-бар через tqdm в метод fit()
- Улучшено логирование процесса обучения
- Добавлена обработка edge-cases для vocab_size

2. Генерация текста (generate_text.py):
- Полный рефакторинг скрипта
- Добавлены проверки модели перед загрузкой
- Поддержка уменьшенных моделей (seq_len=32)
- Подробное логирование процесса генерации

3. Обучение GPT (train_gpt_model.py):
- Автоподбор параметров под размер данных
- Уменьшенные параметры модели по умолчанию
- Контроль памяти и устройств (CPU/MPS)

4. Токенизация корпуса (tokenize_corpus.py):
- Добавлены проверки входных данных
- Подробное логирование процесса
- Обработка ошибок загрузки файлов

Исправления:
- Синхронизация размеров слоёв в GPT
- Корректная работа с малыми наборами данных
- Исправление загрузки моделей на MPS

Обновление README.md

- Добавлены обязательные зависимости: dill и tqdm
- Добавлен раздел 'Цель проекта' с описанием задач
- Добавлен раздел 'Участие в разработке' для контрибьюторов
- Добавлен раздел 'Лицензия' с условиями MIT

Рефакторинг основных скриптов и обновление данных

Основные изменения:
1. Скрипты в bin/:
   - Оптимизация generate_text.py (генерация текста)
   - Улучшение tokenize_corpus.py (обработка корпуса)
   - Рефакторинг train_gpt_model.py (обучение модели)
   - Обновление train_tokenizer.py (алгоритм BPE)

2. Данные:
   - Удалены устаревшие артефакты:
     * simple_llm_gpt.pth (модель)
     * bpe_tokenizer.json (токенизатор)
     * corpus_tokens.pkl (токены)
   - Подготовка к генерации новых данных

bin/train_gpt_model.py

@@ -0,0 +1,84 @@
+#!/usr/bin/env python3
+"""
+Обучение GPT с CLI аргументами (исправленная версия)
+"""
+import os
+import argparse
+import pickle
+import torch
+from torch.utils.data import DataLoader
+from simple_llm.data.get_data import GetData
+from simple_llm.transformer.gpt import GPT
+from simple_llm.tokenizer.optimize_bpe import OptimizeBPE
+
+def main():
+    parser = argparse.ArgumentParser()
+    parser.add_argument('--tokens', type=str, required=True,
+                      help='Путь к токенизированным данным (.pkl)')
+    parser.add_argument('--tokenizer', type=str, required=True,
+                      help='Путь к файлу токенизатора (.json)')
+    parser.add_argument('--output', type=str, required=True,
+                      help='Путь для сохранения модели (.pth)')
+    
+    # Параметры модели
+    parser.add_argument('--seq-len', type=int, default=64,
+                      help='Максимальная длина последовательности')
+    parser.add_argument('--emb-size', type=int, default=64,
+                      help='Размер эмбеддингов')
+    parser.add_argument('--num-heads', type=int, default=4,
+                      help='Количество голов внимания')
+    parser.add_argument('--head-size', type=int, default=16,
+                      help='Размер головы внимания')
+    parser.add_argument('--num-layers', type=int, default=2,
+                      help='Количество слоёв декодера')
+    parser.add_argument('--dropout', type=float, default=0.1,
+                      help='Вероятность dropout')
+    
+    # Параметры обучения
+    parser.add_argument('--batch-size', type=int, default=4,
+                      help='Размер батча')
+    parser.add_argument('--epochs', type=int, default=5,
+                      help='Количество эпох')
+    parser.add_argument('--lr', type=float, default=0.0001,
+                      help='Learning rate')
+    
+    args = parser.parse_args()
+
+    # Проверяем и создаем директорию для сохранения
+    output_dir = os.path.dirname(args.output)
+    if output_dir and not os.path.exists(output_dir):
+        print(f"Создаем директорию: {output_dir}")
+        os.makedirs(output_dir, exist_ok=True)
+
+    # Загрузка данных
+    with open(args.tokens, 'rb') as f:
+        tokens = pickle.load(f)
+    tokenizer = OptimizeBPE.load(args.tokenizer)
+    device = 'cuda' if torch.cuda.is_available() else 'cpu'
+
+    # Подготовка данных
+    dataset = GetData(data=tokens, seq_len=args.seq_len, device=device)
+    loader = DataLoader(dataset, batch_size=args.batch_size, shuffle=True)
+
+    # Модель (уменьшенные параметры)
+    model = GPT(
+        vocab_size=tokenizer.vocab_size,
+        max_seq_len=args.seq_len,
+        emb_size=args.emb_size,
+        num_heads=args.num_heads,
+        head_size=args.head_size,
+        num_layers=args.num_layers,
+        dropout=args.dropout,
+        device=device
+    )
+
+    # Обучение
+    model.fit(
+        train_loader=loader,
+        num_epoch=args.epochs,
+        learning_rate=args.lr
+    )
+    torch.save(model.state_dict(), args.output)
+
+if __name__ == '__main__':
+    main()