File size: 12,843 Bytes
bfd0772 | 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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 | from __future__ import annotations
import json
import os
from dataclasses import dataclass
from typing import Dict, List, Tuple, Optional
import numpy as np # type: ignore
from pathlib import Path
BASE_DIR = Path(__file__).resolve()
DATA_DIR = BASE_DIR.parent / "data"
## 我只有推理和抽象成更好的架構 程式碼還是由AI完成
@dataclass
class PipeOwlConfig:
"""
全域設定。
embeddings_path:
語義場的基底向量矩陣 (V, D)
V = 詞彙數
D = 向量維度
delta_scalar_path:
每個 token 對應的一維場偏移量 (V,)
用來做 score 偏移（目前為靜態 bias）
vocab_path:
vocab list，必須與 embeddings 順序完全對齊。
index i <-> emb[i] <-> delta[i]
alpha:
base 相似度權重
beta:
delta 權重（目前為 logit bias，不是動態 loss）
top_k:
retrieval 預設回傳數量
temperature:
decode 階段採樣溫度
max_new_tokens:
decode 最大生成長度
"""
embeddings_path: str = str(DATA_DIR / "L1_base_embeddings.npy")
delta_scalar_path: str = str(DATA_DIR / "delta_base_scalar.npy")
vocab_path: str = str(DATA_DIR / "L1_base_vocab.json")
# scoring: score = alpha * base_sim + beta * delta_scalar
alpha: float = 1.0
beta: float = 1.0
# retrieval
top_k: int = 16
# decode
temperature: float = 0.8
max_new_tokens: int = 64
## semanticizer
class VocabTokenizer:
"""
字串最大匹配 tokenizer。
設計目標：
將輸入文字拆成 vocab 中存在的 token。
方法：
- 使用最大長度優先匹配
- OOV 字元直接跳過
風險：
- OOV 會被忽略（可能導致語義缺失）
- 無 subword fallback
- 時間複雜度 O(n * max_token_len)
適用情境：
vocab 是字 / 詞 級別，且已對齊 embedding。
"""
def __init__(self, vocab_list):
self.vocab_set = set(vocab_list)
self.max_len = max(len(t) for t in vocab_list)
def tokenize(self, text: str):
tokens = []
i = 0
n = len(text)
while i < n:
matched = False
for L in range(self.max_len, 0, -1):
if i + L <= n:
piece = text[i:i+L]
if piece in self.vocab_set:
tokens.append(piece)
i += L
matched = True
break
if not matched:
i += 1 # 跳過 OOV
return tokens
class PipeOwlEngine:
"""
PipeOwl 幾何語義引擎核心。
設計哲學：
index = 語義場座標
emb[i] -> 詞向量
delta[i] -> 詞的場偏移量
vocab[i] -> 詞本身
核心流程：
text
↓
tokenize
↓
mean embedding
↓
score = alpha*base + beta*delta
↓
top-k
↓
decode
這是一個：
Field-based retrieval language system
"""
def __init__(self, cfg: PipeOwlConfig):
self.cfg = cfg
# Loaded assets
self.emb: np.ndarray = None # (V, D) float32
self.delta: np.ndarray = None # (V,) float32
self.token_to_id: Dict[str, int] = {}
self.id_to_token: List[str] = []
# Decoder (optional)
self.decoder = MicroGPTDecoder() # inference-only stub; plug your trained weights later
self._load_assets()
# -------------------------
# asset loading
# -------------------------
def _load_assets(self) -> None:
"""
載入語義場資產。
載入內容：
1. embeddings (V, D)
2. delta scalar (V,)
3. vocab list (V,)
關鍵假設：
三者必須 index 完全對齊。
幾何意義：
每個 index i 對應語義空間中的一個固定場點。
風險：
- vocab 長度不等於 embeddings
- delta 長度不等於 embeddings
- dtype 不一致
"""
if not os.path.exists(self.cfg.embeddings_path):
raise FileNotFoundError(self.cfg.embeddings_path)
if not os.path.exists(self.cfg.delta_scalar_path):
raise FileNotFoundError(self.cfg.delta_scalar_path)
if not os.path.exists(self.cfg.vocab_path):
raise FileNotFoundError(self.cfg.vocab_path)
# embeddings: (V, D)
self.emb = np.load(self.cfg.embeddings_path)
if self.emb.dtype != np.float32:
self.emb = self.emb.astype(np.float32, copy=False)
# delta: (V,)
self.delta = np.load(self.cfg.delta_scalar_path)
if self.delta.dtype != np.float32:
self.delta = self.delta.astype(np.float32, copy=False)
if self.emb.ndim != 2:
raise ValueError(f"embeddings must be 2D (V, D), got shape={self.emb.shape}")
V, D = self.emb.shape
if self.delta.ndim != 1 or self.delta.shape[0] != V:
raise ValueError(f"delta must be shape (V,), got {self.delta.shape}, expected ({V},)")
# vocab json: build token_to_id and id_to_token
with open(self.cfg.vocab_path, "r", encoding="utf-8") as f:
vocab_list = json.load(f)
if not isinstance(vocab_list, list):
raise ValueError("vocab must be a list for geometric field mode")
if len(vocab_list) != V:
raise ValueError(f"vocab size {len(vocab_list)} != embeddings V {V}")
self.vocab = vocab_list
self.id_to_token = vocab_list
self.token_to_id = {ch: i for i, ch in enumerate(vocab_list)}
self.tokenizer = VocabTokenizer(self.vocab)
# -------------------------
# encode (from vector library)
# -------------------------
def encode(self, text: str):
"""
將文字投影到語義場中。
流程：
1. tokenize -> token list
2. 取每個 token 對應 emb
3. 做 mean pooling
4. normalize
數學形式：
q = normalize( mean( emb[token_i] ) )
幾何意義：
這是在語義場中求質心。
風險：
- mean pooling 會削弱方向性
- 若 tokens 少或 OOV 多，向量會接近零
"""
tokens = self.tokenizer.tokenize(text)
vecs = []
for t in tokens:
idx = self.token_to_id[t]
vecs.append(self.emb[idx])
if not vecs:
return np.zeros(self.emb.shape[1], dtype=np.float32)
q = np.mean(vecs, axis=0)
q /= (np.linalg.norm(q) + 1e-12)
return q
# -------------------------
# loss / scoring (delta)
# -------------------------
def score_vocab(self, q: np.ndarray, alpha: Optional[float] = None, beta: Optional[float] = None) -> np.ndarray:
"""
計算每個 vocab token 的場分數。
base:
emb @ q
若 emb 與 q 已正規化，則為 cosine similarity。
delta:
每個 token 的靜態場偏移量。
最終公式：
score = alpha * base + beta * delta
目前語義：
delta 是 logit bias。
不是 loss、不是 energy gradient。
暫無實作
若 beta = 0：
純 embedding 相似度搜尋。
若 beta > 0：
加入場重力井效果。
"""
a = self.cfg.alpha if alpha is None else float(alpha)
b = self.cfg.beta if beta is None else float(beta)
base = self.emb @ q # (V,)
score = a * base + b * self.delta
return score.astype(np.float32, copy=False)
def topk(self, score: np.ndarray, k: Optional[int] = None) -> List[Tuple[str, float]]:
"""
取前 k 高分 token。
使用 argpartition 提升效率。
回傳：
[(token_string, score), ...]
幾何意義：
找出最接近 query 向量（含場偏移）的場點。
注意：
score 可能 > 1（因為加入 delta）。
"""
k = self.cfg.top_k if k is None else int(k)
k = max(1, min(k, score.shape[0]))
# argpartition for speed
idx = np.argpartition(-score, k - 1)[:k]
idx = idx[np.argsort(-score[idx])]
out = []
for i in idx:
tok = self.id_to_token[i] if i < len(self.id_to_token) else str(i)
out.append((tok, float(score[i])))
return out
# -------------------------
# decode (microgpt inference-only)
# -------------------------
def decode(self, prompt_tokens: List[str]) -> str:
"""
Decode 階段。
目前行為：
將 top tokens 拼成 prompt 字串，
丟給 microgpt stub。
設計定位：
retrieval 與 generation 分離。
現狀：
microgpt 尚未接上真實權重，
目前只是 pipeline 占位。
"""
prompt = " ".join([t for t in prompt_tokens if t])
return self.decoder.generate(
prompt=prompt,
temperature=self.cfg.temperature,
max_new_tokens=self.cfg.max_new_tokens,
)
# -------------------------
# one-shot pipeline
# -------------------------
def pipeowl(
self,
text: str,
*,
top_k: Optional[int] = None,
alpha: Optional[float] = None,
beta: Optional[float] = None,
temperature: Optional[float] = None,
max_new_tokens: Optional[int] = None,
) -> Dict[str, object]:
"""
單次完整 pipeline。
流程：
text
↓
encode
↓
score_vocab
↓
topk
↓
decode
回傳：
{
"query": 原始文字,
"retrieved": top-k token + 分數,
"prompt": 用於 decode 的 token 串,
"decoded": 生成結果
}
這是語義場查詢的一次完整觀測。
"""
q = self.encode(text)
s = self.score_vocab(q, alpha=alpha, beta=beta)
retrieved = self.topk(s, k=top_k)
# build a prompt from top tokens (simple & deterministic)
prompt_tokens = [t for (t, _) in retrieved[: min(len(retrieved), 8)]]
if temperature is not None:
self.cfg.temperature = float(temperature)
if max_new_tokens is not None:
self.cfg.max_new_tokens = int(max_new_tokens)
decoded = self.decode(prompt_tokens)
return {
"query": text,
"retrieved": retrieved,
"prompt": " ".join(prompt_tokens),
"decoded": decoded,
}
# ----------------------------------------------------------------------
# microgpt inference-only stub
# ----------------------------------------------------------------------
class MicroGPTDecoder:
"""
推理階段占位 decoder。
設計目的：
讓 pipeline 可運行，
未來可替換為：
- 已訓練 microGPT
- 外部 LLM
- 或場驅動 sampling 模型
現在只是 scaffold。
Inference-only placeholder.
Why placeholder?
- Your pasted microGPT file trains its own weights in-process.
- For a real decode stage, you want:
(A) load a trained state_dict from disk, OR
(B) keep a tiny trained model in memory, OR
(C) use microGPT purely as a sampler over a learned char vocab.
This class is the stable interface. Plug your implementation later.
"""
def __init__(self):
# If you already have trained weights, add:
# self.state_dict = load(...)
pass
def generate(self, prompt: str, temperature: float = 0.8, max_new_tokens: int = 64) -> str:
# Minimal safe fallback: return prompt as “decoded” scaffold.
# Replace this with your microgpt forward+sampling once you have weights.
# (This keeps the pipeline callable today.)
return f"[microgpt_stub] {prompt}"
|