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
85 lines
3.4 KiB
Python
Executable File
85 lines
3.4 KiB
Python
Executable File
#!/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()
|