File size: 14,999 Bytes
fccfe9c 583c794 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 | """
Modèle Transformer pour le Chess Challenge (1M paramètres).
Ce module fournit une architecture transformer de style GPT conçue
pour respecter la contrainte stricte de moins de 1 million de paramètres.
Composants clés :
- ChessConfig : Configuration des hyperparamètres.
- ChessForCausalLM : Le modèle principal pour la prédiction du prochain coup.
"""
from __future__ import annotations
import math
from dataclasses import dataclass
from typing import Optional, Tuple, Union
import torch
import torch.nn as nn
import torch.nn.functional as F
from transformers import PretrainedConfig, PreTrainedModel, AutoConfig, AutoModelForCausalLM
from transformers.modeling_outputs import CausalLMOutputWithPast
# -----------------------------------------------------------------------------
# Configuration
# -----------------------------------------------------------------------------
class ChessConfig(PretrainedConfig):
"""
Classe de configuration pour le modèle Chess Transformer.
Conçue pour un budget de paramètres très serré (< 1M).
Répartition du budget (avec les valeurs par défaut de ton ami) :
- Vocabulaire (Embeddings) : 72 * 92 = ~6,6k
- Embeddings de position : 256 * 92 = ~23,5k
- Couches Transformer : 11 couches * (~85k par couche) = ~935k
- Tête LM (liée aux embeddings) : 0 paramètre supplémentaire
- Total : ~970k paramètres (juste en dessous de 1M).
"""
model_type = "chess_transformer"
def __init__(
self,
vocab_size: int = 1200,
n_embd: int = 128,
n_layer: int = 6,
n_head: int = 4,
n_ctx: int = 256,
n_inner: Optional[int] = None,
dropout: float = 0.1,
layer_norm_epsilon: float = 1e-5,
tie_weights: bool = True,
pad_token_id: int = 0,
bos_token_id: int = 1,
eos_token_id: int = 2,
**kwargs,
):
super().__init__(
pad_token_id=pad_token_id,
bos_token_id=bos_token_id,
eos_token_id=eos_token_id,
**kwargs,
)
self.vocab_size = vocab_size
self.n_embd = n_embd
self.n_layer = n_layer
self.n_head = n_head
self.n_ctx = n_ctx
self.n_inner = n_inner if n_inner is not None else 3 * n_embd
self.dropout = dropout
self.layer_norm_epsilon = layer_norm_epsilon
self.tie_weights = tie_weights
self.tie_word_embeddings = bool(tie_weights)
# -----------------------------------------------------------------------------
# Modules du Transformer
# -----------------------------------------------------------------------------
class MultiHeadAttention(nn.Module):
"""
Module d'attention multi-têtes standard.
Inclut le masquage causal pour empêcher le modèle de "voir le futur".
"""
def __init__(self, config: ChessConfig):
super().__init__()
assert config.n_embd % config.n_head == 0, \
f"n_embd ({config.n_embd}) doit être divisible par n_head ({config.n_head})"
self.n_head = config.n_head
self.n_embd = config.n_embd
self.head_dim = config.n_embd // config.n_head
# Projection combinée Q, K, V pour l'efficacité
self.c_attn = nn.Linear(config.n_embd, 3 * config.n_embd)
self.c_proj = nn.Linear(config.n_embd, config.n_embd)
self.dropout = nn.Dropout(config.dropout)
# Masque causal (registre persistent=False pour ne pas le sauvegarder dans le checkpoint)
self.register_buffer(
"bias",
torch.tril(torch.ones(config.n_ctx, config.n_ctx)).view(
1, 1, config.n_ctx, config.n_ctx
),
persistent=False,
)
def forward(
self,
x: torch.Tensor,
attention_mask: Optional[torch.Tensor] = None,
) -> torch.Tensor:
batch_size, seq_len, _ = x.size()
# Calcul de Q, K, V
qkv = self.c_attn(x)
q, k, v = qkv.split(self.n_embd, dim=2)
# Remodelage pour l'attention multi-têtes
# (batch, seq_len, n_head, head_dim) -> (batch, n_head, seq_len, head_dim)
q = q.view(batch_size, seq_len, self.n_head, self.head_dim).transpose(1, 2)
k = k.view(batch_size, seq_len, self.n_head, self.head_dim).transpose(1, 2)
v = v.view(batch_size, seq_len, self.n_head, self.head_dim).transpose(1, 2)
# Attention produit scalaire (Scaled Dot-Product Attention)
attn_weights = torch.matmul(q, k.transpose(-2, -1)) / math.sqrt(self.head_dim)
# Application du masque causal (le futur est masqué avec -inf)
causal_mask = self.bias[:, :, :seq_len, :seq_len]
attn_weights = attn_weights.masked_fill(causal_mask == 0, float("-inf"))
# Application du masque d'attention (pour le padding)
if attention_mask is not None:
# attention_mask shape: (batch_size, seq_len) -> (batch_size, 1, 1, seq_len)
attention_mask = attention_mask.unsqueeze(1).unsqueeze(2)
attn_weights = attn_weights.masked_fill(attention_mask == 0, float("-inf"))
attn_weights = F.softmax(attn_weights, dim=-1)
attn_weights = self.dropout(attn_weights)
# Application de l'attention aux valeurs
attn_output = torch.matmul(attn_weights, v)
# Remise en forme
attn_output = attn_output.transpose(1, 2).contiguous().view(
batch_size, seq_len, self.n_embd
)
# Projection de sortie
attn_output = self.c_proj(attn_output)
return attn_output
class FeedForward(nn.Module):
"""
Réseau de neurones Feed-Forward (MLP).
Deux couches linéaires avec une activation GELU entre les deux.
"""
def __init__(self, config: ChessConfig):
super().__init__()
self.c_fc = nn.Linear(config.n_embd, config.n_inner)
self.c_proj = nn.Linear(config.n_inner, config.n_embd)
self.dropout = nn.Dropout(config.dropout)
def forward(self, x: torch.Tensor) -> torch.Tensor:
x = self.c_fc(x)
x = F.gelu(x)
x = self.c_proj(x)
x = self.dropout(x)
return x
class TransformerBlock(nn.Module):
"""
Un bloc transformer unique contenant Attention et Feed-Forward.
Utilise la "Pre-normalization" (LayerNorm avant l'attention/FFN) pour la stabilité.
"""
def __init__(self, config: ChessConfig):
super().__init__()
self.ln_1 = nn.LayerNorm(config.n_embd, eps=config.layer_norm_epsilon)
self.attn = MultiHeadAttention(config)
self.ln_2 = nn.LayerNorm(config.n_embd, eps=config.layer_norm_epsilon)
self.mlp = FeedForward(config)
def forward(
self,
x: torch.Tensor,
attention_mask: Optional[torch.Tensor] = None,
) -> torch.Tensor:
# Connexion résiduelle + Pre-norm Attention
x = x + self.attn(self.ln_1(x), attention_mask=attention_mask)
# Connexion résiduelle + Pre-norm FFN
x = x + self.mlp(self.ln_2(x))
return x
# -----------------------------------------------------------------------------
# Modèle Principal
# -----------------------------------------------------------------------------
class ChessForCausalLM(PreTrainedModel):
"""
Modèle final pour la prédiction de coups (Causal Language Modeling).
Architecture :
1. Embeddings (Tokens + Position)
2. Empilement de blocs Transformer
3. Tête linéaire finale (Projection vers le vocabulaire)
"""
config_class = ChessConfig
base_model_prefix = "transformer"
supports_gradient_checkpointing = True
# Ignore l'avertissement de clé manquante car lm_head partage les poids avec wte
keys_to_ignore_on_load_missing = ["lm_head.weight"]
def __init__(self, config: ChessConfig):
super().__init__(config)
# Embeddings
self.wte = nn.Embedding(config.vocab_size, config.n_embd)
self.wpe = nn.Embedding(config.n_ctx, config.n_embd)
self.drop = nn.Dropout(config.dropout)
# Blocs Transformer
self.h = nn.ModuleList([
TransformerBlock(config) for _ in range(config.n_layer)
])
# LayerNorm final
self.ln_f = nn.LayerNorm(config.n_embd, eps=config.layer_norm_epsilon)
# Tête de sortie (sans biais pour économiser des paramètres)
self.lm_head = nn.Linear(config.n_embd, config.vocab_size, bias=False)
# Gestion du partage de poids (Weight Tying)
if config.tie_weights:
self._tied_weights_keys = ["lm_head.weight"]
# Initialisation des poids
self.post_init()
# Forcer le lien des poids si configuré
if config.tie_weights:
self.tie_weights()
def get_input_embeddings(self) -> nn.Module:
return self.wte
def set_input_embeddings(self, new_embeddings: nn.Module):
self.wte = new_embeddings
if getattr(self.config, "tie_weights", False):
self.tie_weights()
def get_output_embeddings(self) -> nn.Module:
return self.lm_head
def set_output_embeddings(self, new_embeddings: nn.Module):
self.lm_head = new_embeddings
def tie_weights(self):
"""Lie les poids de l'embedding d'entrée et de la tête de sortie."""
if getattr(self.config, "tie_weights", False) or getattr(self.config, "tie_word_embeddings", False):
self._tie_or_clone_weights(self.lm_head, self.wte)
def _init_weights(self, module: nn.Module):
"""Initialisation des poids style GPT-2."""
if isinstance(module, nn.Linear):
torch.nn.init.normal_(module.weight, mean=0.0, std=0.02)
if module.bias is not None:
torch.nn.init.zeros_(module.bias)
elif isinstance(module, nn.Embedding):
torch.nn.init.normal_(module.weight, mean=0.0, std=0.02)
elif isinstance(module, nn.LayerNorm):
torch.nn.init.ones_(module.weight)
torch.nn.init.zeros_(module.bias)
def forward(
self,
input_ids: torch.LongTensor,
attention_mask: Optional[torch.Tensor] = None,
position_ids: Optional[torch.LongTensor] = None,
labels: Optional[torch.LongTensor] = None,
return_dict: Optional[bool] = None,
**kwargs,
) -> Union[Tuple, CausalLMOutputWithPast]:
"""
Passe avant (Forward pass).
Calcule les logits et, si des étiquettes (labels) sont fournies, la perte (loss).
"""
return_dict = return_dict if return_dict is not None else self.config.use_return_dict
batch_size, seq_len = input_ids.size()
device = input_ids.device
# Création des IDs de position s'ils ne sont pas fournis
if position_ids is None:
position_ids = torch.arange(seq_len, device=device).unsqueeze(0).expand(batch_size, -1)
# Calcul des embeddings (Token + Position)
token_embeds = self.wte(input_ids)
position_embeds = self.wpe(position_ids)
hidden_states = self.drop(token_embeds + position_embeds)
# Passage dans les blocs Transformer
for block in self.h:
hidden_states = block(hidden_states, attention_mask=attention_mask)
# Normalisation finale
hidden_states = self.ln_f(hidden_states)
# Calcul des logits (prédiction du prochain token)
logits = self.lm_head(hidden_states)
# Calcul de la perte (Training Loss)
loss = None
if labels is not None:
# On décale les logits et les labels d'un cran
# (le modèle doit prédire le token t+1 à partir du token t)
shift_logits = logits[..., :-1, :].contiguous()
shift_labels = labels[..., 1:].contiguous()
# Perte CrossEntropy standard
loss_fct = nn.CrossEntropyLoss(ignore_index=-100)
loss = loss_fct(
shift_logits.view(-1, shift_logits.size(-1)),
shift_labels.view(-1),
)
if not return_dict:
output = (logits,)
return ((loss,) + output) if loss is not None else output
return CausalLMOutputWithPast(
loss=loss,
logits=logits,
past_key_values=None,
hidden_states=None,
attentions=None,
)
@torch.no_grad()
def generate_move(
self,
input_ids: torch.LongTensor,
temperature: float = 1.0,
top_k: Optional[int] = None,
top_p: Optional[float] = None,
) -> int:
"""
Génère le prochain coup pour une séquence donnée.
Utilisé pour l'inférence en jeu réel.
"""
self.eval()
# Récupère les logits pour la dernière position uniquement
outputs = self(input_ids)
logits = outputs.logits[:, -1, :] / temperature
# Filtrage Top-K
if top_k is not None:
indices_to_remove = logits < torch.topk(logits, top_k)[0][..., -1, None]
logits[indices_to_remove] = float("-inf")
# Filtrage Top-P (Nucleus Sampling)
if top_p is not None:
sorted_logits, sorted_indices = torch.sort(logits, descending=True)
cumulative_probs = torch.cumsum(F.softmax(sorted_logits, dim=-1), dim=-1)
# On retire les tokens qui sont au-dessus du seuil cumulatif
sorted_indices_to_remove = cumulative_probs > top_p
sorted_indices_to_remove[..., 1:] = sorted_indices_to_remove[..., :-1].clone()
sorted_indices_to_remove[..., 0] = 0
indices_to_remove = sorted_indices_to_remove.scatter(
dim=-1, index=sorted_indices, src=sorted_indices_to_remove
)
logits[indices_to_remove] = float("-inf")
# Échantillonnage final
probs = F.softmax(logits, dim=-1)
next_token = torch.multinomial(probs, num_samples=1)
return next_token.item()
# Enregistrement pour chargement automatique via AutoModel
AutoConfig.register("chess_transformer", ChessConfig)
AutoModelForCausalLM.register(ChessConfig, ChessForCausalLM) |