Документация и примеры: унификация путей, стабильная работа на CPU, расширенный корпус для токенизатора, end-to-end пайплайн обучения и генерации. Исправлены все ошибки с устройствами и индексами, добавлены проверки и диагностика prompt.

example/train_gpt_model.py

@@ -0,0 +1,50 @@
+"""
+Обучение GPT-модели на токенизированном корпусе
+"""
+import pickle
+from torch.utils.data import DataLoader
+from simple_llm.data.get_data import GetData
+from simple_llm.transformer.gpt import GPT
+
+if __name__ == "__main__":
+    import torch
+    # Определяем устройство
+    #if torch.cuda.is_available():
+    #    device = 'cuda'
+    #elif getattr(torch.backends, 'mps', None) and torch.backends.mps.is_available():
+    #    device = 'mps'  # Apple Silicon
+    #else:
+    #    device = 'cpu'
+    device = 'cpu'
+    print(f"Используется устройство: {device}")
+
+    with open('data/tokens/corpus_tokens.pkl', 'rb') as f:
+        tokenized = pickle.load(f)
+    all_tokens = [token for line in tokenized for token in line]
+    seq_len = 64
+    dataset = GetData(data=all_tokens, seq_len=seq_len, device=device)
+    loader = DataLoader(dataset, batch_size=32, shuffle=True)
+
+    # Загрузите токенизатор для определения размера словаря
+    from simple_llm.tokenizer.bpe import BPE
+    tokenizer = BPE.load('data/tokenizer/bpe_tokenizer.json')
+
+    model = GPT(
+        vocab_size=tokenizer.vocab_size,
+        max_seq_len=seq_len,
+        emb_size=256,
+        num_heads=4,
+        head_size=64,
+        num_layers=4,
+        device='cpu'
+    )
+
+    model.fit(
+        train_loader=loader,
+        valid_loader=None,
+        num_epoch=10,
+        learning_rate=1e-4
+    )
+    print('Train loss:', model.train_loss)
+    torch.save(model.state_dict(), 'data/model/simple_llm_gpt.pth')
+    print("Модель обучена и сохранена в data/model/simple_llm_gpt.pth")