Optimize feed forward: improve dtype handling and layer processing

simple_llm/transformer/feed_forward.py

@@ -46,12 +46,14 @@ class FeedForward(nn.Module):
             dropout: Вероятность dropout для регуляризации (по умолчанию: 0.1)
         """
         super().__init__()
-        self.net = nn.Sequential(
-            nn.Linear(emb_size, 4 * emb_size),
-            nn.ReLU(),
-            nn.Linear(4 * emb_size, emb_size),
-            nn.Dropout(dropout)
-        )
+        # Первый линейный слой (расширение размерности)
+        self._layer1 = nn.Linear(emb_size, emb_size * 4)
+        # ReLU активация
+        self._relu = nn.ReLU()
+        # Второй линейный слой (сжатие обратно)
+        self._layer2 = nn.Linear(emb_size * 4, emb_size)
+        # Dropout
+        self._dropout = nn.Dropout(dropout)
 
     def forward(self, x: torch.Tensor):
         """
@@ -63,6 +65,16 @@ class FeedForward(nn.Module):
         Returns:
             Тензор той же размерности, что и входной
         """
-        # Приводим все параметры сети к типу входного тензора
-        self.net = self.net.to(x.dtype)
-        return self.net(x)
+        # Сохраняем dtype входных данных
+        input_dtype = x.dtype
+        
+        # Приводим веса к нужному типу если необходимо
+        if input_dtype != self._layer1.weight.dtype:
+            self._layer1 = self._layer1.to(dtype=input_dtype)
+            self._layer2 = self._layer2.to(dtype=input_dtype)
+            
+        # Пропустим тензор x по очереди через все созданные слои
+        x = self._layer1(x)
+        x = self._relu(x)
+        x = self._layer2(x)
+        return self._dropout(x)