--- tags: - Pikachu - Aricate - SLM - Pokemon license: mit datasets: - Clemylia/Pikachu-language language: - fr pipeline_tag: text-generation --- # ⚡ Documentation Technique : Modèle Pikachu-Aricate ![pikachu](http://www.image-heberg.fr/files/17641047171909383756.jpg) ## 🌟 1. Présentation du Projet Le modèle **Pikachu-Aricate** est un modèle de langage génératif spécialisé, construit sur l'architecture propriétaire **Aricate v4** de Clemylia. Son objectif unique est de simuler la communication du personnage **Pikachu** en générant des séquences de texte basées exclusivement sur un vocabulaire restreint d'onomatopées (principalement 'Pika', 'Chu', 'Cha'). Ce modèle est une démonstration de la capacité de l'architecture Aricate v4 à maîtriser un espace linguistique extrêmement limité, tout en maintenant une cohérence contextuelle et une variabilité des réponses. * **Architecture de Base :** Aricate v4 * **Domaine :** Génération de texte spécialisé (Réponses monotones et émotionnelles) * **Langage Cible :** "Pikachu" * **Auteur :** Clemylia ## 🛠️ 2. Configuration Technique et Dépendances Le déploiement et l'utilisation du modèle nécessitent l'environnement de l'architecture Aricate v4. ### 2.1. Dépendances Clés Pour l'implémentation standard en Python, les librairies suivantes sont généralement utilisées : * `torch` ou `tensorflow` : Pour la gestion des tenseurs et l'accélération GPU/CPU. *` hugging face` : pour le chargement des datasets et la publication * `json` : Pour le chargement et le traitement du jeu de données d'entraînement. ### 2.2. Structure du Modèle (Aricate v4) | Composant | Rôle | Description | | :--- | :--- | :--- | | **Tokenizer** | 🔡 Vocabulaire | Limité aux mots : `['pika', 'chu', 'cha', '!', '?', '.', etc...]` | | **Embedding Layer** | 🗺️ Représentation | Convertit les tokens en vecteurs numériques. | | **Aricate Block (v4)** | 🧠 Apprentissage | Cœur du modèle (Attention, Feed Forward). | | **Linear Head** | 🎯 Prédiction | Couche finale qui prédit la probabilité du prochain mot. | ## 💾 3. Jeu de Données d'Entraînement Le modèle est entraîné sur un jeu de données de conversations **Question/Réponse (Q/A)** formaté en JSON. * **Format :** Tableau d'objets `{"question": "...", "reponse": "..."}`. * **Taille du Dataset :** Environ 60 exemples. * **Objectif de la Réponse :** Lier l'émotion ou le contexte d'une question humaine à une variation de l'onomatopée 'Pika'. ## ⚙️ 4. Utilisation et Infèrence (Code Exemple) Voici un aperçu de la manière d'initialiser et d'utiliser le modèle pour la génération de texte. ### 4.1. Exemple de code d'inférence ``` import torch import torch.nn as nn import torch.nn.functional as F import json import os import collections import heapq # Importations des librairies nécessaires pour le chargement from huggingface_hub import hf_hub_download from safetensors.torch import load_file as load_safetensors_file # --- A. AricateAttentionLayer (Inchangé) --- class AricateAttentionLayer(nn.Module): # ... (code inchangé) ... """Couche d'Attention Additive (Bahdanau).""" def __init__(self, hidden_dim): super(AricateAttentionLayer, self).__init__() self.W = nn.Linear(hidden_dim, hidden_dim) self.U = nn.Linear(hidden_dim, hidden_dim) self.V = nn.Linear(hidden_dim, 1, bias=False) def forward(self, rnn_outputs, last_hidden): last_hidden_expanded = last_hidden.unsqueeze(1) energy = torch.tanh(self.W(rnn_outputs) + self.U(last_hidden_expanded)) attention_weights_raw = self.V(energy).squeeze(2) attention_weights = F.softmax(attention_weights_raw, dim=1) context_vector = torch.sum(rnn_outputs * attention_weights.unsqueeze(2), dim=1) return context_vector # --- B. AricateModel (Inchangé) --- class AricateModel(nn.Module): # ... (code inchangé) ... """Architecture Aricate V4, adaptée pour le rechargement.""" def __init__(self, vocab_size: int, embedding_dim: int, hidden_dim: int, num_layers: int = 1, config: dict = None): super(AricateModel, self).__init__() if config is not None: vocab_size = config.get("vocab_size", vocab_size) embedding_dim = config.get("embedding_dim", embedding_dim) hidden_dim = config.get("hidden_dim", hidden_dim) num_layers = config.get("num_layers", num_layers) self.vocab_size = vocab_size self.embedding_dim = embedding_dim self.hidden_dim = hidden_dim self.num_layers = num_layers self.word_embeddings = nn.Embedding(num_embeddings=vocab_size, embedding_dim=embedding_dim, padding_idx=0) self.rnn = nn.GRU(input_size=embedding_dim, hidden_size=hidden_dim, num_layers=num_layers, batch_first=True) self.attention = AricateAttentionLayer(hidden_dim) self.hidden_to_vocab = nn.Linear(hidden_dim * 2, vocab_size) def forward(self, input_words): embeds = self.word_embeddings(input_words) rnn_out, hn = self.rnn(embeds) last_hidden = hn[-1] context_vector = self.attention(rnn_out, last_hidden) combined_features = torch.cat((context_vector, last_hidden), dim=1) logits = self.hidden_to_vocab(combined_features) return logits # --- C. WordTokenizer (Inchangé) --- class WordTokenizer: # ... (code inchangé) ... """Tokenizer Aricate adapté pour recharger à partir du vocabulaire publié.""" def __init__(self, word_to_id: dict): self.word_to_id = word_to_id self.id_to_word = {id: word for word, id in word_to_id.items()} self.vocab_size = len(word_to_id) self.special_tokens = { '': word_to_id[''], '': word_to_id[''], '': word_to_id[''], '': word_to_id[''], } def encode(self, text, add_eos=False): words = text.lower().split() if add_eos: words.append('') ids = [self.word_to_id.get(word, self.word_to_id['']) for word in words] return ids def decode(self, ids): words = [self.id_to_word.get(id, '') for id in ids] return " ".join(word for word in words if word not in ['', '', '', '']) # --- D. Fonction de Génération (MODIFIÉE pour Top-K Sampling et Temperature) --- def generate_sequence(model, tokenizer, question, max_length, max_len_input, temperature=1.0, top_k=None): """ Génère la réponse en utilisant Top-K Sampling et Temperature. Args: temperature (float): Ajuste la créativité (T > 1.0) ou la prudence (T < 1.0). top_k (int/None): Limite le choix aux K mots les plus probables pour l'échantillonnage. """ model.eval() sep_id = tokenizer.special_tokens[''] eos_id = tokenizer.special_tokens[''] question_ids = tokenizer.encode(question) current_sequence = question_ids + [sep_id] print(f"\n--- Q/A Génération (Sampling | T={temperature:.2f} | K={top_k if top_k else 'désactivé'}) ---") print(f"Question: '{question}'") with torch.no_grad(): for _ in range(max_length): # Préparer l'entrée input_ids_to_pad = current_sequence[-max_len_input:] if len(current_sequence) > max_len_input else current_sequence padding_needed = max_len_input - len(input_ids_to_pad) input_ids_padded = [tokenizer.special_tokens['']] * padding_needed + input_ids_to_pad input_tensor = torch.tensor(input_ids_padded).unsqueeze(0) # 1. Obtention des logits logits = model(input_tensor).squeeze(0) # 2. Application de la Temperature if temperature != 1.0 and temperature > 0: logits = logits / temperature # 3. Application du Top-K if top_k is not None: # Filtrer les logits pour ne garder que le top_k values, indices = torch.topk(logits, k=top_k) # Créer un masque (tensor rempli de -inf) mask = torch.ones_like(logits) * float('-inf') # Mettre à jour le masque avec les valeurs filtrées logits = torch.scatter(mask, dim=0, index=indices, src=values) # 4. Convertir en probabilités et échantillonner probabilities = F.softmax(logits, dim=-1) # S'assurer que les probabilités somment à 1 if top_k is not None: probabilities = probabilities.div(probabilities.sum()) predicted_id = torch.multinomial(probabilities, num_samples=1).item() # 5. Mettre à jour la séquence current_sequence.append(predicted_id) if predicted_id == eos_id: break # 6. Décodage try: sep_index = current_sequence.index(sep_id) response_ids = [id for id in current_sequence[sep_index+1:] if id != eos_id] except ValueError: response_ids = current_sequence final_response = tokenizer.decode(response_ids) # Dans le sampling, on n'a pas de score de log-probabilité unique comme dans Beam Search. print(f"Réponse générée: '{final_response}'") print("-" * 40) return final_response # --- E. Fonction de Chargement du Modèle Lam-2 (Inchangée) --- def load_lam2_model(repo_id: str): # ... (code inchangé) ... """ Télécharge et charge le modèle Lam-2 et son tokenizer depuis Hugging Face. """ print(f"--- Chargement de Lam-2 depuis {repo_id} ---") # 1. Télécharger le tokenizer tokenizer_path = hf_hub_download(repo_id=repo_id, filename="aricate_tokenizer.txt") with open(tokenizer_path, 'r', encoding='utf-8') as f: word_to_id = json.load(f) tokenizer = WordTokenizer(word_to_id) print(f"Tokenizer chargé. Taille du vocabulaire: {tokenizer.vocab_size}") # 2. Télécharger la configuration config_path = hf_hub_download(repo_id=repo_id, filename="config.json") with open(config_path, 'r') as f: model_config = json.load(f) print("Configuration du modèle chargée.") # 3. Initialiser le modèle model = AricateModel( vocab_size=model_config['vocab_size'], embedding_dim=model_config['embedding_dim'], hidden_dim=model_config['hidden_dim'], config=model_config ) # 4. Télécharger et charger les poids Safetensors weights_path = hf_hub_download(repo_id=repo_id, filename="model.safetensors") state_dict = load_safetensors_file(weights_path) model.load_state_dict(state_dict) print("Poids du modèle Safetensors chargés avec succès.") MAX_LEN_INPUT_DEFAULT = 30 print("-" * 40) return model, tokenizer, MAX_LEN_INPUT_DEFAULT # --- F. Bloc principal d'exécution (MISE À JOUR) --- if __name__ == '__main__': LAM2_REPO_ID = "Clemylia/Pikachu-Aricate" MAX_GENERATION_LENGTH = 15 # 🚨 NOUVEAUX PARAMÈTRES POUR LE TEST 🚨 TEST_TEMPERATURE = 0.8 # > 1.0 pour plus de créativité/aléatoire TEST_TOP_K = 10 # Limite le choix aux 10 mots les plus probables test_questions = [ "Qui es-tu ?", "Comment l'amitié peut-elle être une source d'**inspiration scientifique** ou de découverte ?", "Quel est ton nom ?", "Comment l'identité de Charlotte pourrait-elle être utilisée dans la **gestion de crise** ou le soutien post-traumatique ?", "Qui t'a créé ?", ] try: # 1. Chargement du modèle lam2_model, lam2_tokenizer, max_len_input = load_lam2_model(LAM2_REPO_ID) print(f"\n>>> TEST D'INFÉRENCE LAM-2 EN MODE CRÉATIF (T={TEST_TEMPERATURE}, K={TEST_TOP_K}) <<<") # 2. Infèrence (Appel à la nouvelle fonction) for question in test_questions: generate_sequence( # Remplacement de generate_sequence_beam model=lam2_model, tokenizer=lam2_tokenizer, question=question, max_length=MAX_GENERATION_LENGTH, max_len_input=max_len_input, temperature=TEST_TEMPERATURE, top_k=TEST_TOP_K ) except Exception as e: print(f"\n❌ Une erreur est survenue lors du chargement ou de l'inférence.") print(f"Détail de l'erreur: {e}") print("Vérifiez l'installation des dépendances et le REPO_ID.") ``` ## 📈 5. Paramètres de Génération Le comportement de ce modèle est fortement influencé par les paramètres de **Sampling**. | Paramètre | Description | Impact | Recommandation | | :--- | :--- | :--- | :--- | | **Temperature ($T$)** | Contrôle l'aléa des probabilités. | Élevée $\rightarrow$ créativité / Basse $\rightarrow$ conservatisme. | $0.7$ à $1.0$ | | **Top-K ($K$)** | Limite le choix du mots aux $K$ plus probables. | Élevé $\rightarrow$ vocabulaire élargi / Bas $\rightarrow$ vocabulaire ciblé. | $5$ à $15$ | | **Top-P ($P$)** | *Optionnel :* Contrôle l'échantillonnage par probabilité cumulée (Nucléus Sampling). | Alternatif à Top-K, souvent plus dynamique. | $0.9$ (si K est désactivé) | **Fichier du modèle quantifier** : pikachu_quantized.arica (présent a côté des fichiers de poids dans ce depot)