大模型原理：通用代码合集-马育民老师

# 导包

```
import torch
import torch.nn as nn
import tiktoken
```

# GPT_CONFIG_124M

```
GPT_CONFIG_124M = {
    "vocab_size": 50257,     # 词汇表大小
    "context_length": 1024,  # 上下文长度
    "emb_dim": 768,          # 嵌入维度
    "n_heads": 12,           # 注意力头的数量
    "n_layers": 12,          # 层数
    "drop_rate": 0.1,        # dropout率
    "qkv_bias": False        # 查询-键-值偏置
}
```

# tokenizer

```
tokenizer = tiktoken.get_encoding("gpt2")
```

# MultiHeadAttention

```
class MultiHeadAttention(nn.Module):
    def __init__(self, d_in, d_out,
            context_length ,dropout, num_heads, qkv_bias=False):
        """
        初始化
        :param d_in: 输入嵌入维度
        :param d_out: 输出嵌入维度
        :param context_length: 设置掩码矩阵
        :param dropout: dropout忽略概率
        :param num_heads: 多头数量
        :param qkv_bias:
        """
        super().__init__()
        assert (d_out % num_heads == 0),\
            "d_out 必须被 num_heads 整除"
        self.d_out = d_out
        self.num_heads = num_heads
        # 减少投影维度以匹配所需的输出维度
        self.head_dim = d_out // num_heads
        self.W_query = nn.Linear(d_in, d_out, bias=qkv_bias)
        self.W_key = nn.Linear(d_in, d_out, bias=qkv_bias)
        self.W_value = nn.Linear(d_in, d_out, bias=qkv_bias)
        # 使用一个线性层来组合头的输出
        self.out_proj = nn.Linear(d_out, d_out)
        # Dropout 层，抑制过拟合
        self.dropout = nn.Dropout(dropout)
        # 将上三角掩码注册为缓冲区，不需要梯度更新，但需要随模型一起保存/加载、迁移设备
        self.register_buffer(
            "mask",
            torch.triu(torch.ones(context_length, context_length), diagonal=1)
        )

def forward(self, x):
        b, num_tokens, d_in = x.shape
        keys = self.W_key(x)
        queries = self.W_query(x)
        values = self.W_value(x)

# 通过添加一个 num_heads维度来隐式地分隔矩阵。然后展开最后一个维度：(b,numtokens,dout) -> (b,num_tokens,num_heads,head_dim)
        keys = keys.view(b, num_tokens, self.num_heads, self.head_dim)
        values = values.view(b, num_tokens, self.num_heads, self.head_dim)
        queries = queries.view(b, num_tokens, self.num_heads, self.head_dim)

# 从形状（b,num_tokens,num_heads,head_dim) 转换到（b,num_heads,num_tokens,head_dim)
        keys = keys.transpose(1, 2)
        queries = queries.transpose(1, 2)
        values = values.transpose(1, 2)

# 计算每个头的注意力分数（点积）
        attn_scores = queries @ keys.transpose(2, 3)

# 被截断为词元数量的掩码
        mask_bool = self.mask.bool()[:num_tokens, :num_tokens]

# 使用掩码来填充注意力分数
        attn_scores.masked_fill_(mask_bool, -torch.inf)

attn_weights = torch.softmax(
            attn_scores / keys.shape[-1]**0.5, dim=-1)
        attn_weights = self.dropout(attn_weights)

# 张量形状：(b, num_tokens,n_heads,head_dim)
        context_vec = (attn_weights @ values).transpose(1, 2)

# 组合头，其中 self.d_out= self.num_heads *self.head_dim
        context_vec = context_vec.contiguous().view(b, num_tokens, self.d_out)

# 添加一个可选的线性投影
        context_vec = self.out_proj(context_vec)
        return context_vec
```

# GELU

```
class GELU(nn.Module):

def __init__(self):
        super().__init__()

def forward(self, x):
        return 0.5 * x * (1 + torch.tanh(
            torch.sqrt(torch.tensor(2.0 / torch.pi)) * (x + 0.044715 * torch.pow(x, 3))
        ))
```

# FeedForward

```
class FeedForward(nn.Module):
    def __init__(self, cfg):
        """
        由两个线性层和一个GELU激活函数组成
        :param cfg:
        """
        super().__init__()
        self.layers = nn.Sequential(
            nn.Linear(cfg["emb_dim"], 4 * cfg["emb_dim"]),
            GELU(),
            nn.Linear(4 * cfg["emb_dim"], cfg["emb_dim"]),
        )

def forward(self, x):
        return self.layers(x)
```

# LayerNorm

```
class LayerNorm(nn.Module):
    def __init__(self, emb_dim):
        """

:param emb_dim:嵌入维度
        """
        super().__init__()
        # eps是一个小常数(epsilon)，在归一化过程中会被加到方差上以防止除零错误
        self.eps = 1e-5
        """
        scale和shift是两个可训练的参数（与输入维度相同），
        在训练过程中发现调整它们可以改善模型的训练任务表现，那么大语言模型会自动进行调整
        """
        self.scale = nn.Parameter(torch.ones(emb_dim))
        self.shift = nn.Parameter(torch.zeros(emb_dim))

def forward(self, x):
        mean = x.mean(dim=-1, keepdim=True)
        """
        设置unbiased=False，在方差计算中，会使用样本数量 n 作为方差公式的除数。
        这种方法没有使用 n-1 作为分母，以调整偏差。
        因此，这种方法得到的是所谓有偏方差估计。
        对于嵌入维度 n 非常大的大语言模型（如GPT-2），使用 n 和 n-1 的差异在实际中几乎可以忽略。
        选择这种方法是为了确保与GPT-2模型的归一化层兼容，因为原始GPT-2模型是用TensorFlow实现的，TensorFlow默认行为是 n
        """
        var = x.var(dim=-1, keepdim=True, unbiased=False)
        norm_x = (x - mean) / torch.sqrt(var + self.eps)
        # 相当于 wx + b
        return self.scale * norm_x + self.shift
```

# TransformerBlock

```
class TransformerBlock(nn.Module):
    def __init__(self, cfg):
        super().__init__()
        self.att = MultiHeadAttention(
            d_in=cfg["emb_dim"],
            d_out=cfg["emb_dim"],
            context_length=cfg["context_length"],
            num_heads=cfg["n_heads"],
            dropout=cfg["drop_rate"],
            qkv_bias=cfg["qkv_bias"])
        self.ff = FeedForward(cfg)
        self.norm1 = LayerNorm(cfg["emb_dim"])
        self.norm2 = LayerNorm(cfg["emb_dim"])
        self.drop_shortcut = nn.Dropout(cfg["drop_rate"])

def forward(self, x):
        # 在注意力块中添加快捷连接
        shortcut = x
        x = self.norm1(x)
        x = self.att(x)
        x = self.drop_shortcut(x)
        # 将原始输入添加回来
        x = x + shortcut

# 在前馈层中添加快捷链接
        shortcut = x
        x = self.norm2(x)
        x = self.ff(x)
        x = self.drop_shortcut(x)
        # 将原始输入添加回来
        x = x + shortcut
        return x
```

# GPTModel

```
class GPTModel(nn.Module) :
    def __init__(self, cfg):
        super().__init__()
        # 词元嵌入层
        self.tok_emb = nn.Embedding(cfg["vocab_size"], cfg["emb_dim"])
        self.pos_emb = nn.Embedding(cfg["context_length"], cfg["emb_dim"] )
        self.drop_emb = nn.Dropout(cfg["drop_rate"])
        tbs = [TransformerBlock(cfg) for _ in range(cfg["n_layers"])]
        self.trf_blocks = nn.Sequential(*tbs)
        self.final_norm = LayerNorm(cfg["emb_dim"])
        # 线性输出层
        self.out_head = nn.Linear(
            cfg["emb_dim"], cfg["vocab_size"], bias=False
        )

def forward(self, in_idx):
        batch_size, seq_len = in_idx.shape
        tok_embeds = self.tok_emb(in_idx)
        # device 的设置允许我们在CPU或GPU上训练模型，具体取决于输入数据所在的设备
        pos_embeds = self.pos_emb(
            torch.arange(seq_len, device=in_idx.device)
        )
        x = tok_embeds + pos_embeds
        x = self.drop_emb(x)
        x = self.trf_blocks(x)
        x = self.final_norm(x)
        logits = self.out_head(x)
        return logits
```

# generate_text_simple

```
def generate_text_simple(model, idx, max_new_tokens, context_size):
    """
    生成文本
    :param model:
    :param idx:当前文本的索引数组，其形状为（batch，n_tokens)
    :param max_new_tokens:
    :param context_size:
    :return:
    """
    for _ in range(max_new_tokens):
        # 将当前文本截断至支持的长度。如果大语言模型仅支持5个词元，但此时文本长度为10，则只有最后5个词元会被用作输入文本
        idx_cond = idx[:, -context_size:]
        with torch.no_grad():
            logits = model(idx_cond)

# 只关注最后一个输出的内容，因此形状会从（batch，n_token,vocab_size)变为(batch，vocab_size)
        logits = logits[:, -1, :]
        # probas 的形状为(batch,vocab_size)
        probas = torch.softmax(logits, dim=-1)
        # idx_next 的形状为（batch，1)
        idx_next = torch.argmax(probas, dim=-1, keepdim=True)
        # 将计算出的下一个字符的索引添加到索引数组中，此时 idx的形状会变为(batch，n_tokens+1)
        idx = torch.cat((idx, idx_next), dim=1)
    return idx
```

# text_to_token_ids

```
def text_to_token_ids(text, tokenizer):
    """
    将文本编码为词元
    :param text:
    :param tokenizer:
    :return:
    """
    encoded = tokenizer.encode(text, allowed_special={'<|endoftext|>'})
    encoded_tensor = torch.tensor(encoded).unsqueeze(0) # add batch dimension
    return encoded_tensor
```

### token_ids_to_text

```
def token_ids_to_text(token_ids, tokenizer):
    """
    将词元解码为文本
    :param token_ids:
    :param tokenizer:
    :return:
    """
    flat = token_ids.squeeze(0)  # remove batch dimension
    return tokenizer.decode(flat.tolist())
```

原文出处：http://malaoshi.top/show_1GW2f5VTAjjY.html