MinimalGPT
v2.0.0
https://github.com/abhaskumarsinha/Corpus2GPT
MinimalGPT-Logo" width="20%" style="max-width: 100%;">
[ GPT-1 Paper ] [ 1002 short stories from project guttenberg ] [ logo.com ] [ Transformer - Paper ] [ Huggingface Transformers ] [ TensorFlow ] [ BPE Tokenizer: subword-nmt ]
MinimalGPT ist ein prägnantes, anpassungsfähiges und optimiertes Code-Framework, das die wesentlichen Komponenten umfasst, die für die Konstruktion, das Training, die Schlussfolgerung und die Feinabstimmung des GPT-Modells erforderlich sind. Dieses Framework wird ausschließlich mit Keras und TensorFlow implementiert und gewährleistet so Kompatibilität und Kohärenz innerhalb des breiteren Deep-Learning-Ökosystems.
NEU: CPU/GPU/TPU-Unterstützung und Unterstützung für das Laden großer Dateidatensätze!
Im Repository führen wir zwei integrale Dateien ein, die unser vorgeschlagenes Framework umfassen. Die erste Datei, GPT.py , dient als grundlegendes Gerüst und umfasst wichtige Komponenten wie Blöcke und Ebenen. Zu diesen Komponenten gehören Multi-Head-Aufmerksamkeit, Feedforward-Mechanismen, skalierte Punktproduktaufmerksamkeit, Positionskodierung, Softmax-Ausgabe und eine Inferenzfunktion für die Modellvorhersage. Die zweite Datei, MinimalGPT .py , optimiert die Nutzung unseres Frameworks, indem sie eine übersichtliche Befehlszeilenschnittstelle bietet. Über diese Schnittstelle können Benutzer mühelos wichtige Vorgänge ausführen, darunter Modellerstellung, Training, Speichern, Laden, Feinabstimmung und Inferenz, alles zusammengefasst in einer einzigen Befehlszeilenausführung. Darüber hinaus können die Dateien bequem in Python-Code importiert werden, sodass Benutzer sie durch einen einfachen Funktionsaufruf nahtlos in ihre Projekte integrieren können.
pip install -r requirements.txt
Die Modellarchitektur wird durch mehrere kritische Parameter bestimmt, darunter GPT_INPUT, D_MODEL, MULTI_HEAD und DECODER_STACKS . Es ist unbedingt erforderlich, die Konsistenz dieser Parameter sicherzustellen, um Probleme im Zusammenhang mit dem Laden des Modells für nachfolgende Umschulungs- oder Inferenzprozesse zu vermeiden. In Situationen, in denen Unsicherheit besteht, kann ein Blick auf die beim vorherigen Lauf generierte Konfigurationsdatei wertvolle Erkenntnisse liefern. Darüber hinaus spielen die Parameter VOCABULARY_START und VOCABULARY_END eine entscheidende Rolle bei der Definition der Fenstermarkierungen für den Korpus. Diese Markierungen helfen bei der Generierung der Vectorizer-Ebene, die das Vokabular aus dem Korpus innerhalb der angegebenen START- und END-Token-Anzahl extrahiert. Es ist unbedingt zu beachten, dass Token innerhalb des Korpus durch Leerzeichen getrennt sind und die Einbeziehung von VOCABULARY_START und VOCABULARY_END besonders relevant wird, wenn eine Tokendatei nicht explizit angegeben wird.
Beachten Sie außerdem, dass sowohl die Tokenizer-Datei als auch die Gewichte des Modells gleichzeitig gespeichert/geladen werden. Derzeit unterstützt der Code das getrennte Speichern/Laden dieser beiden Dateien nicht.
Der Inferenzmodus (-i) erfordert nicht nur Modellparameter und eine gespeicherte Tokenizer- und Gewichtungsdatei, um Inferenzdaten zu generieren. Es sollte mit dem Schalter (-ol) verwendet werden.
usage: MinimalGPT .py [-h] [-d DATA_PATH] [-l LEARNING_RATE]
[-ol OUTPUT_LENGTH] [-e EPOCHS] [-b BATCH_SIZE]
[-s GPT_INPUT] [-dm D_MODEL] [-p MULTI_HEAD]
[-ds DECODER_STACKS] [-ts TOKEN_START] [-te TOKEN_END]
[-vs VOCABULARY_START] [-ve VOCABULARY_END] [-sd]
[-lt LOAD_TOKENIZER] [-lw LOAD_WEIGHTS]
[-st SAVE_TOKENIZER] [-sw SAVE_WEIGHTS] [-ot OPTIMIZER]
[-i] [-mv] [-mvo]
optional arguments:
-h, --help show this help message and exit
-d DATA_PATH, --data-path DATA_PATH
File: Corresponding to corpus or training text
[String]
-l LEARNING_RATE, --learning-rate LEARNING_RATE
Float: Learning Rate. The model will train ONLY IF the
rate is > 0, skip otherwise [Float]
-ol OUTPUT_LENGTH, --output-length OUTPUT_LENGTH
Length of the output sequence to be generated
-e EPOCHS, --epochs EPOCHS
Number of training Epochs [Int]
-b BATCH_SIZE, --batch-size BATCH_SIZE
Size of each batch [Int]
-s GPT_INPUT, --gpt-input GPT_INPUT
Number of Tokens of text the model inputs at a time
[Int]
-dm D_MODEL, --d-model D_MODEL
Embedding layer output dimensions [Int]
-p MULTI_HEAD, --multi-head MULTI_HEAD
Number of Multi-head Attention layer in parallel [Int]
-ds DECODER_STACKS, --decoder-stacks DECODER_STACKS
Number of stacked Decoder layer [Int]
-ts TOKEN_START, --token-start TOKEN_START
The token number in the corpus to mark it as the
starting point of the training [Int]
-te TOKEN_END, --token-end TOKEN_END
The token number in the corpus to mark it as the end
point of the training [Int]
-vs VOCABULARY_START, --vocabulary-start VOCABULARY_START
Token number from the corpus to mark the starting
point of vocabulary data [Int]
-ve VOCABULARY_END, --vocabulary-end VOCABULARY_END
Token number from the corpus to mark the end point of
vocabulary data [Int]
-sd, --save Save the Model and Vectorizer data to disk
[True/False]
-lt LOAD_TOKENIZER, --load-tokenizer LOAD_TOKENIZER
File: Vectorization layer [File]
-lw LOAD_WEIGHTS, --load-weights LOAD_WEIGHTS
File: Model Weights [File]
-st SAVE_TOKENIZER, --save-tokenizer SAVE_TOKENIZER
File: Saving Vectorizer File [File]
-sw SAVE_WEIGHTS, --save-weights SAVE_WEIGHTS
File: Saving Model Weights[File]
-ot OPTIMIZER, --optimizer OPTIMIZER
Optimizer consistent to TensorFlow optimizer class
[tf.keras.optimizers]
-i, --inference-only Only Print the output of the model in Inference Mode
[True/False]
-mv, --model-vectorizer
Return Model, Vectorizer Tuple [True/False]
-mvo, --model-vectorizer-output
Return Model, Vectorizer, Output Tuple [True/False]
Angenommen, die gewünschten Modellspezifikationen erfordern GPT_INPUT = 10, D_MODEL = 128, MULTI_HEAD = 8 und DECODER_STACKS = 1 und der Korpus-Token-Bereich für das Training reicht von TOKEN_START = 0 bis TOKEN_END = 40000, und die Vektorisierungsebene wird aus dem Korpus-Bereich generiert VOCABULARY_START = 0 bis VOCABULARY_END = 200000 wird der folgende Befehl ausgeführt, um den Modelltrainingsprozess zu starten. Die resultierenden Gewichte und Tokenizer-Daten werden im angegebenen Ordner gespeichert. Die nachfolgenden Ausgaben veranschaulichen das Ergebnis dieser Befehlsausführung.
PS C:gpt> python MinimalGPT .py -d './dataset/output_dataset.txt' -l 0.001 -ol 200 -e 4 -b 512 -s 10 -dm 128 -p 8 -ds 1 -ts 0 -te 40000 -vs 0 -ve 200000 -sd -st './models/tokenizer.mgt' -sw './models/weights.mgw'
Total tokens: 40000
100%|██████████████████████████████████████████████████████████████████████████████| 200000/200000 [02:02<00:00, 1636.38it/s]
New Vectorizer created successfully...
Vocabulary Size: 14270
100%|██████████████████████████████████████████████████████████████████████████████| 39989/39989 [00:00<00:00, 302926.25it/s]
100%|█████████████████████████████████████████████████████████████████████████████| 39989/39989 [00:00<00:00, 1289942.19it/s]
(None, 10, 128)
Epoch 1/4
79/79 [==============================] - 88s 1s/step - loss: 7.8692
Epoch 2/4
79/79 [==============================] - 92s 1s/step - loss: 3.8066
Epoch 3/4
79/79 [==============================] - 93s 1s/step - loss: 1.1487
Epoch 4/4
79/79 [==============================] - 92s 1s/step - loss: 0.2900
100%|██████████████████████████████████████████████████████████████████████████████████████| 190/190 [00:05<00:00, 34.70it/s]
Vocabulary size saved: 14270
and her eyes in the library. She was the rather large woman, although not fat, and when she wore high heels--which sh
e was not prone to do, because although Cutter would not have cared, she kept trying to project into other people's minds and
trying, as she said, "Not to do anything to them, that I wouldn't want them to do you me."--she rose a good inch above Cutter.
She was pleasant humored, and cooperative, and the one great irritant about her that annoyed Cutter, was the fact that she wa
s not capable of meeting life wholeheartedly and with strength. She steadily worried about other people's feelings and thought
s, so that Cutter wondered if she were capable of the slightest personal conviction. Yet that weakness was an advantage at the
same time, to him, because she worked constantly toward making him happy. The house was run to his minutest liking, and the s
ervants liked her, so that while she did not use a strong enough
Angenommen, wir möchten das obige Modell verfeinern (oder neu trainieren), dann wird unten der Befehl zum erneuten Laden des Tokenizers und der Gewichtungen und zum erneuten Trainieren für einen neuen Text eines angegebenen Fensterbereichs des Korpus angegeben:
PS C:gpt> python MinimalGPT .py -d './dataset/output_dataset.txt' -l 0.00005 -ol 200 -e 1 -b 512 -s 10 -dm 128 -p 8 -ds 1 -ts 80000 -te 120000 -sd -st './models/tokenizer2.mgt' -sw './models/weights2.mgw' -lt './models/tokenizer.mgt' -lw './models/weights.mgw'
Total tokens: 40000
100%|██████████████████████████████████████████████████████████████████████████████| 39989/39989 [00:00<00:00, 302923.51it/s]
100%|█████████████████████████████████████████████████████████████████████████████| 39989/39989 [00:00<00:00, 1428099.68it/s]
(None, 10, 128)
79/79 [==============================] - 81s 993ms/step - loss: 7.9725
100%|██████████████████████████████████████████████████████████████████████████████████████| 190/190 [00:06<00:00, 30.29it/s]
Vocabulary size saved: 14270
of her own the black of my own and my wife had could seen the house at the same moment her mind caught the first sugg
estion of the folded paper. “But he must have a name! Where is the paper?” She moved to the desk, and began to turn over the s
cattered documents that littered it. The first that caught her eye was an unfinished letter in her husband’s hand, with his pe
n lying across it, as though dropped there at a sudden summons. “My dear Parvis,”--who was Parvis?--“I have just received your
letter announcing Elwell’s death, and while I suppose there is now no farther risk of trouble, it might be safer--” That was
all. The “risk of trouble” was easily explained by the newspaper clipping which had apprised Mary of the suit brought against
her husband by one of his associates in the Blue Star enterprise. The only new information conveyed in the letter was the fact
of its showing Boyne,
Der Inferenzmodus beinhaltet das Laden vorab trainierter Gewichte und Vektorisierer. Diese Komponenten werden dann zur Ausführung des Modells verwendet und erzeugen wie angegeben Ausgaben einer angegebenen Länge.
PS C:gpt> python MinimalGPT .py -i -ol 500 -e 6 -b 512 -s 10 -dm 128 -p 8 -ds 1 -lt './models/tokenizer2.mgt' -lw './models/weights2.mgw'
(None, 10, 128)
100%|██████████████████████████████████████████████████████████████████████████████████████| 490/490 [00:13<00:00, 35.93it/s]
of her own “on the other from the inel’--a little sensational, of course. But I guess you’d better look it over.” He
held out a newspaper to Mary, who unfolded it slowly, remembering, as she did so, the evening when, in that same room, the per
usal of a clipping from the “Sentinel” had first shaken the depths of her security. As she opened the paper, her eyes, shrinki
ng from the glaring head-lines, “Widow of Boyne’s Victim Forced to Appeal for Aid,” ran down the column of text to two portrai
ts inserted in it. The first was her husband’s, taken from a photograph made the year they had come to England. It was the pic
ture of him that she liked best, the one that stood on the writing-table up-stairs in her bedroom. As the eyes in the photogra
ph met hers, she felt it would be impossible to read what was said of him, and closed her lids with the sharpness of the pain.
“I thought if you felt disposed to put your name down--” she heard Parvis continue. She opened her eyes with an effort, and t
hey fell on the other portrait. It was that of a youngish man, slightly built, in rough clothes, with features somewhat blurre
d by the shadow of a projecting hat-brim. Where had she seen that outline before? She stared at it confusedly, her heart hamme
ring in her throat and ears. Then she gave a cry. “This is the man--the man who came for my husband!” She heard Parvis start t
o his feet, and was dimly aware that she had slipped backward into the corner of the sofa, and that he was bending above her i
n alarm. With an intense effort she straightened herself, and reached out for the paper, which she had dropped. “It’s the man!
I should know him anywhere!” she cried in a voice that sounded in her own ears like a scream. Parvis’s voice seemed to come t
o her from far off, down endless, fog-muffled windings. “Mrs. Boyne, you’re not very well. Shall I call somebody? Shall I get
a glass of water?” “No, no, no!” She threw herself toward him, her hand frantically clenching the newspaper. “I tell you, it’s
the man! I KNOW him! He spoke to me in the garden!” Parvis took the journal from her, directing his glasses to the portrait.
“It can’t be, Mrs. Boyne. It’s Robert Elwell.” “Robert Elwell?” Her white
Das Einbinden der trainierten Modelle, die durch die Verwendung von MinimalGPT .py generiert wurden, in Ihr Projekt ist ein unkomplizierter Prozess, der durch den Import der MinimalGPT -Funktion und deren Konfiguration gemäß den gewünschten Spezifikationen erleichtert wird. Dies kann erreicht werden, indem die Parameter return_model_and_vectorizer = True oder return_model_and_vectorizer_and_output = True innerhalb des inference_only = True (Inferenzmodus)-Frameworks gesetzt werden. Darüber hinaus können das Training, die Erstellung und der Export des Modells mit einem ähnlichen Ansatz parallel zum Befehlszeilenmodus durchgeführt werden. Für eine umfassende Veranschaulichung dieser Verfahren bietet das beigefügte Jupyter Notebook eine beispielhafte Demonstration.
from MinimalGPT import MinimalGPT model = MinimalGPT (output_length = 200, gpt_input = 10, d_model = 128, h = 8, decoder_stacks = 1, load_tokenizer = './models/tokenizer3.mgt', load_weights = './models/weights3.mgw', inference_only = True, return_model_and_vectorizer_and_output = True) model[0].summary()
Model: "model"
Layer (type) Output Shape Param
================================================================= input_1 (InputLayer) [(None, 10)] 0
embedding (Embedding) (None, 10, 128) 1826816
positional_embedding (Posit (None, 10, 128) 0
ionalEmbedding)
decoder (Decoder) (None, 10, 128) 37160
flatten (Flatten) (None, 1280) 0
dense (Dense) (None, 14273) 18283713
tf.nn.softmax (TFOpLambda) (None, 14273) 0
================================================================= Total params: 20,147,689 Trainable params: 20,147,689 Non-trainable params: 0
Das hier implementierte Modell unterscheidet sich ein wenig von der ursprünglichen Papierimplementierung. Die nach der Verkettung der Köpfe der skalierten Skalarproduktausgabe gebildete Matrix wird mit dem Matrixparameter der Größenschlüsseldimension x d_model multipliziert. Aus praktischen Gründen würde diese kleine Änderung zur Reduzierung der Parameteranzahl aufgrund der trainierbaren Parameteroptimierung zu einer geringfügigen Leistungssteigerung führen.
