我用 GO 语言封装了一个机器学习框架,并实现了一个小型的 GPT 模型来对对联 - V2EX
V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
爱意满满的作品展示区。
lwch
V2EX    分享创造

我用 GO 语言封装了一个机器学习框架,并实现了一个小型的 GPT 模型来对对联

  •  
  •   lwch 2023-06-15 11:29:19 +08:00 1822 次点击
    这是一个创建于 852 天前的主题,其中的信息可能已经有所发展或是发生改变。

    libgotorch

    首先利用 libtorch 库封装了一个libgotorch库,已支持最新的 libtorch2.0.1

    问题一:cgo 中返回的 tensor 对象在栈上,直接使用可能会有内存安全问题

    我做了一层简单的封装来使其创建到堆上,但其引发的问题是需要手动管理内存,因此我编写了 mmgr 包在每一个 tensor 对象创建的时候自动加入 mmgr 的 storage 当中,最后在每一轮训练完毕后通过 GC 方法释放堆上的 tensor 对象

    问题二:windows 下的 libtorch 库通过 msvc 编译,提供的是 C++接口,无法在 mingw 中无法正常链接

    解决方案是通过在封装一个动态链接库并暴露 C 语言接口,在 mingw 中即可正常链接

    通过解决以上两个问题,已可以在 go 语言中使用 libtorch 库并实现自己的模型了

    对对联

    下面进入正题,我在 tnn 库中实现了一个小型的 GPT 模型来实现对对联:couplet,下面让我们来看一下最终效果

    $ go run main.go evaluate --model model7M 晚风摇树树还挺 load embedding... model loaded inputs: [472 3 462 148 148 342 1516] map[4.278747:[醉] 5.084207:[润] 8.868446:[晨]] map[3.8447263:[花] 4.750472:[润] 8.635651:[露]] map[5.46043:[花] 6.7003703:[露] 10.768249:[润]] map[4.3850584:[露] 4.875666:[润] 9.896332:[花]] map[3.6241615:[红] 5.611262:[润] 10.782802:[花]] map[4.3855276:[花] 5.48069:[红] 9.480111:[更]] map[3.7904112:[心] 4.269902:[花] 10.3220415:[红]] 晨露润花花更红 $ go run main.go evaluate --model model7M 投石向天跟命斗 load embedding... model loaded inputs: [1233 190 383 11 2623 620 490] map[5.7068815:[门] 5.7826476:[问] 9.79136:[闭]] map[3.0136497:[问] 3.1092193:[人] 8.903796:[门]] map[3.021591:[还] 3.448888:[歌] 8.96453:[问]] map[4.9368696:[地] 5.7390223:[时] 9.438878:[卷]] map[3.5542138:[话] 3.858942:[时] 8.253393:[与]] map[3.025545:[与] 3.2461479:[卷] 9.06726:[时]] map[4.250452:[时] 4.712057:[舟] 10.401218:[争]] 闭门问卷与时争 

    注意:该模型仅训练了开源数据集couplet-dataset中的前 1 万个样本

    模型的参数结构如下:

    +------------------------+---------+ | NAME | COUNT | +------------------------+---------+ | transformer0_attention | 1872 | | transformer0_dense | 1256640 | | transformer0_output | 1254960 | | transformer1_attention | 1872 | | transformer1_dense | 1256640 | | transformer1_output | 1254960 | | output | 2488596 | | total | 7515540 | +------------------------+---------+ train 200, cost=2h15m7.877395694s, loss=3.665343e-02 

    整个模型共有 751 万个参数,模型包含 2 个 transformer 模块,由于在训练时只使用了 8 个 float32 来对每一个字进行表征,因此 attention 层的参数量较少,其他参数配置如下:

    const embeddingDim = 8 // 8 个 float32 表示一个字向量 const paddingSize = 70 // 最长为 34*2 ,因此 padding 长度必须大于 68 const heads = 4 const batchSize = 128 const epoch = 200 const lr = 0.001 const transformerSize = 2 

    最后让我们来看看模型的泛化能力如何

    $ go run main.go evaluate --model model7M 我是谁 load embedding... model loaded inputs: [85 62 191] map[4.3809786:[雨] 4.9436274:[染] 7.105626:[绿]] map[3.8163047:[水] 4.013789:[东] 4.088595:[得]] map[4.872726:[唱] 5.4107614:[兰] 6.3983927:[发]] 绿得发 $ go run main.go evaluate --model ./model7M 我在哪 load embedding... model loaded inputs: [85 99 1151] map[1.480957:[思] 2.002811:[得] 4.0260763:[寻]] map[3.4100764:[女] 3.868993:[对] 4.448501:[得]] map[2.2672489:[年] 2.3772364:[历] 4.946753:[谁]] 寻得谁 

    效果不是很理想,可能还是跟训练的样本数量太少有关

    另外还有一些示例可在 example 目录下找到,如使用 RNN 来学习如何画 sin 曲线等

    最后是项目地址:

    第 1 条附言    2023-06-17 23:19:19 +08:00

    修复了FFN层的实现方式问题,现在参数数量看起来比较正常

    +------------------------+---------+ | NAME | COUNT | +------------------------+---------+ | transformer0_attention | 62208 | | transformer0_dense | 66048 | | transformer0_output | 65664 | | transformer1_attention | 62208 | | transformer1_dense | 66048 | | transformer1_output | 65664 | | transformer2_attention | 62208 | | transformer2_dense | 66048 | | transformer2_output | 65664 | | transformer3_attention | 62208 | | transformer3_dense | 66048 | | transformer3_output | 65664 | | output | 572244 | | total | 1347924 | +------------------------+---------+ 

    另外增加了各种mask的支持,修复了loss函数使用问题

    5 条回复    2024-04-11 09:57:55 +08:00
    coosir
        1
    coosir  
       2023-06-15 11:42:08 +08:00
    强哦,对联对得倒是挺好的
    vus520
        2
    vus520  
       2023-06-16 10:17:31 +08:00
    关注下,如果能把 huggingface 的包实现一遍真是造福我众
    allegory
        3
    allegory  
       2024-04-10 18:16:03 +08:00
    libtorch 都还是 beta 版,你再来一个 go 的封装,稳定性/正确性如何保证?不过还是很强
    lwch
        4
    lwch  
    OP
       2024-04-11 09:56:16 +08:00
    @allegory libtorch 跟着 pytorch 的版本走的,现在已经 2.2.2 了
    lwch
        5
    lwch  
    OP
       2024-04-11 09:57:55 +08:00
    @allegory 我用他来实现了一个小型的 llama 模型大约 1.5 亿参数量在 CPU 上训练速度还行
    关于     帮助文档     自助推广系统     博客     API     FAQ     Solana     5802 人在线   最高记录 6679       Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 21ms UTC 01:45 PVG 09:45 LAX 18:45 JFK 21:45
    Do have faith in what you're doing.
    ubao snddm index pchome yahoo rakuten mypaper meadowduck bidyahoo youbao zxmzxm asda bnvcg cvbfg dfscv mmhjk xxddc yybgb zznbn ccubao uaitu acv GXCV ET GDG YH FG BCVB FJFH CBRE CBC GDG ET54 WRWR RWER WREW WRWER RWER SDG EW SF DSFSF fbbs ubao fhd dfg ewr dg df ewwr ewwr et ruyut utut dfg fgd gdfgt etg dfgt dfgd ert4 gd fgg wr 235 wer3 we vsdf sdf gdf ert xcv sdf rwer hfd dfg cvb rwf afb dfh jgh bmn lgh rty gfds cxv xcv xcs vdas fdf fgd cv sdf tert sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf shasha9178 shasha9178 shasha9178 shasha9178 shasha9178 liflif2 liflif2 liflif2 liflif2 liflif2 liblib3 liblib3 liblib3 liblib3 liblib3 zhazha444 zhazha444 zhazha444 zhazha444 zhazha444 dende5 dende denden denden2 denden21 fenfen9 fenf619 fen619 fenfe9 fe619 sdf sdf sdf sdf sdf zhazh90 zhazh0 zhaa50 zha90 zh590 zho zhoz zhozh zhozho zhozho2 lislis lls95 lili95 lils5 liss9 sdf0ty987 sdft876 sdft9876 sdf09876 sd0t9876 sdf0ty98 sdf0976 sdf0ty986 sdf0ty96 sdf0t76 sdf0876 df0ty98 sf0t876 sd0ty76 sdy76 sdf76 sdf0t76 sdf0ty9 sdf0ty98 sdf0ty987 sdf0ty98 sdf6676 sdf876 sd876 sd876 sdf6 sdf6 sdf9876 sdf0t sdf06 sdf0ty9776 sdf0ty9776 sdf0ty76 sdf8876 sdf0t sd6 sdf06 s688876 sd688 sdf86