mirror of
https://github.com/pese-git/simple-llm.git
synced 2026-01-23 13:03:55 +00:00
cc4138aba8
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
82 lines
3.5 KiB
Python
Executable File
82 lines
3.5 KiB
Python
Executable File
#!/usr/bin/env python3
|
||
"""
|
||
Генерация текста (финальная версия)
|
||
"""
|
||
import argparse
|
||
import torch
|
||
from simple_llm.tokenizer.simple_bpe import SimpleBPE
|
||
from simple_llm.transformer.gpt import GPT
|
||
|
||
def main():
|
||
parser = argparse.ArgumentParser()
|
||
# Обязательные параметры
|
||
parser.add_argument('--model', type=str, required=True,
|
||
help='Путь к файлу модели (.pth)')
|
||
parser.add_argument('--tokenizer', type=str, required=True,
|
||
help='Путь к файлу токенизатора (.json)')
|
||
parser.add_argument('--prompt', type=str, required=True,
|
||
help='Начальный текст для генерации')
|
||
|
||
# Параметры модели (должны соответствовать обучению)
|
||
parser.add_argument('--seq-len', type=int, default=64,
|
||
help='Макс. длина последовательности (как при обучении)')
|
||
parser.add_argument('--emb-size', type=int, default=64,
|
||
help='Размер эмбеддингов (как при обучении)')
|
||
parser.add_argument('--num-heads', type=int, default=4,
|
||
help='Количество голов внимания (как при обучении)')
|
||
parser.add_argument('--head-size', type=int, default=16,
|
||
help='Размер головы внимания (как при обучении)')
|
||
parser.add_argument('--num-layers', type=int, default=2,
|
||
help='Количество слоёв (как при обучении)')
|
||
parser.add_argument('--dropout', type=float, default=0.1,
|
||
help='Dropout (как при обучении)')
|
||
|
||
# Параметры генерации
|
||
parser.add_argument('--length', type=int, default=50,
|
||
help='Количество генерируемых токенов')
|
||
parser.add_argument('--temperature', type=float, default=0.7,
|
||
help='Температура сэмплинга (0.1-1.0)')
|
||
|
||
args = parser.parse_args()
|
||
|
||
# Загрузка
|
||
device = 'cuda' if torch.cuda.is_available() else 'cpu'
|
||
print(f"Используется устройство: {device}")
|
||
|
||
tokenizer = SimpleBPE.load(args.tokenizer)
|
||
print(f"Загружен токенизатор (vocab_size={tokenizer.vocab_size})")
|
||
|
||
# Инициализация модели
|
||
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
|
||
)
|
||
|
||
model.load_state_dict(torch.load(args.model, map_location=device))
|
||
model.eval()
|
||
print(f"Загружена модель с {sum(p.numel() for p in model.parameters()):,} параметрами")
|
||
|
||
# Генерация
|
||
print(f"\nГенерация текста для промта: '{args.prompt}'")
|
||
tokens = tokenizer.encode(args.prompt)
|
||
print(f"Токены промта: {tokens}")
|
||
|
||
output = model.generate(
|
||
x=torch.tensor([tokens], device=device),
|
||
max_new_tokens=args.length,
|
||
do_sample=True,
|
||
temperature=args.temperature
|
||
)
|
||
|
||
print("\n=== Результат ===")
|
||
print(tokenizer.decode(output[0].tolist()))
|
||
|
||
if __name__ == '__main__':
|
||
main()
|