File size: 8,671 Bytes
5fe4d99 |
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 |
"""
COGNITIVE-CORE: Base Classes for Cognitive Architectures
=========================================================
This module provides the foundational classes for building cognitive AI models
that follow the Ame Web Studio standard. All cognitive models (vision, language,
world model, multimodal) should inherit from these base classes.
Copyright © 2026 Mike Amega (Logo) - Ame Web Studio
License: Proprietary - All Rights Reserved
"""
import torch
import torch.nn as nn
from typing import Dict, List, Optional, Any, Tuple
from abc import ABC, abstractmethod
from transformers import PreTrainedModel, PretrainedConfig
# ==============================================================================
# CONFIGURATION DE BASE
# ==============================================================================
class CognitiveConfig(PretrainedConfig):
"""
Configuration de base pour tous les modèles cognitifs.
Tous les modèles cognitifs (vision, language, world, multimodal) doivent
hériter de cette configuration pour garantir la compatibilité.
"""
model_type = "cognitive"
def __init__(
self,
# Dimensions de base
d_model: int = 512,
d_ff: int = 2048,
n_layers: int = 12,
n_heads: int = 8,
dropout: float = 0.1,
# Modules cognitifs (peuvent être activés/désactivés)
use_memory: bool = True,
use_temporal: bool = True,
use_synaptic: bool = True,
use_dream: bool = True,
use_world_model: bool = True,
use_neurogenesis: bool = True,
# Mémoire
memory_size: int = 8192,
short_term_dim: int = 512,
long_term_dim: int = 256,
# États internes
internal_state_dim: int = 128,
latent_state_dim: int = 768,
# Meta
version: str = "1.0",
author: str = "Mike Amega",
license: str = "Proprietary",
**kwargs,
):
super().__init__(**kwargs)
# Dimensions
self.d_model = d_model
self.hidden_size = d_model # Alias HuggingFace
self.d_ff = d_ff
self.n_layers = n_layers
self.n_heads = n_heads
self.dropout = dropout
# Modules cognitifs
self.use_memory = use_memory
self.use_temporal = use_temporal
self.use_synaptic = use_synaptic
self.use_dream = use_dream
self.use_world_model = use_world_model
self.use_neurogenesis = use_neurogenesis
# Mémoire
self.memory_size = memory_size
self.short_term_dim = short_term_dim
self.long_term_dim = long_term_dim
# États
self.internal_state_dim = internal_state_dim
self.latent_state_dim = latent_state_dim
# Meta
self.version = version
self.author = author
self.license = license
@property
def head_dim(self) -> int:
return self.d_model // self.n_heads
# ==============================================================================
# MODULES COGNITIFS ABSTRAITS
# ==============================================================================
class CognitiveModule(nn.Module, ABC):
"""
Classe de base abstraite pour tous les modules cognitifs.
Chaque module cognitif doit implémenter:
- forward(): traitement principal
- reset_state(): réinitialisation des états internes
- get_state(): récupérer l'état courant
"""
def __init__(self, config: CognitiveConfig):
super().__init__()
self.config = config
@abstractmethod
def forward(self, x: torch.Tensor, **kwargs) -> Dict[str, Any]:
"""Traitement principal du module."""
pass
@abstractmethod
def reset_state(self):
"""Réinitialiser les états internes du module."""
pass
def get_state(self) -> Dict[str, torch.Tensor]:
"""Récupérer l'état courant (pour sauvegarde/debug)."""
return {}
class MemoryModule(CognitiveModule):
"""Interface pour les modules de mémoire."""
@abstractmethod
def store(self, key: torch.Tensor, value: torch.Tensor):
"""Stocker une information en mémoire."""
pass
@abstractmethod
def retrieve(self, query: torch.Tensor, k: int = 1) -> torch.Tensor:
"""Récupérer les k informations les plus pertinentes."""
pass
class TemporalModule(CognitiveModule):
"""Interface pour les modules temporels/prédictifs."""
@abstractmethod
def predict(self, state: torch.Tensor, horizon: int = 1) -> torch.Tensor:
"""Prédire l'état futur à l'horizon donné."""
pass
class WorldModelModule(CognitiveModule):
"""Interface pour les modèles du monde."""
@abstractmethod
def update(self, observation: torch.Tensor) -> Dict[str, float]:
"""Mettre à jour le modèle du monde avec une observation."""
pass
@abstractmethod
def imagine(self, action: torch.Tensor) -> torch.Tensor:
"""Imaginer l'effet d'une action."""
pass
# ==============================================================================
# MODÈLE COGNITIF DE BASE
# ==============================================================================
class CognitivePreTrainedModel(PreTrainedModel):
"""
Classe de base pour tous les modèles cognitifs HuggingFace-compatibles.
Fournit:
- Remappage automatique des clés de checkpoint
- Gestion des modules cognitifs optionnels
- Méthodes d'initialisation standardisées
"""
config_class = CognitiveConfig
base_model_prefix = "cognitive"
supports_gradient_checkpointing = False # Incompatible avec architecture cognitive
# Clés à ignorer lors du chargement (buffers dynamiques)
_keys_to_ignore_on_load_missing = [
r".*\.state$",
r".*\.history$",
r".*\.buffer$",
r".*rope\..*_cache",
r".*rope\.inv_freq",
]
def _init_weights(self, module):
"""Initialisation standard des poids."""
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)
def _load_from_state_dict(
self,
state_dict,
prefix,
local_metadata,
strict,
missing_keys,
unexpected_keys,
error_msgs,
):
"""
Remappage automatique des clés de checkpoint.
Gère les différences de préfixes entre formats de checkpoint
(ex: avec/sans 'model.' prefix).
"""
from .cognitive_checkpoint import remap_checkpoint_keys
# Remapper les clés si nécessaire
remapped = remap_checkpoint_keys(state_dict, self.state_dict())
# Appeler l'implémentation parent
super()._load_from_state_dict(
remapped,
prefix,
local_metadata,
strict,
missing_keys,
unexpected_keys,
error_msgs,
)
def get_cognitive_state(self) -> Dict[str, Any]:
"""Récupérer l'état de tous les modules cognitifs."""
state = {}
for name, module in self.named_modules():
if isinstance(module, CognitiveModule):
state[name] = module.get_state()
return state
def reset_cognitive_state(self):
"""Réinitialiser l'état de tous les modules cognitifs."""
for module in self.modules():
if isinstance(module, CognitiveModule):
module.reset_state()
# ==============================================================================
# UTILITAIRES D'ENREGISTREMENT AUTO
# ==============================================================================
def register_cognitive_model(config_class, model_class):
"""
Enregistrer un modèle cognitif pour utilisation avec AutoModel.
Usage:
register_cognitive_model(MyConfig, MyModel)
# Puis: AutoModelForCausalLM.from_pretrained(..., trust_remote_code=True)
"""
from transformers import AutoConfig, AutoModel
AutoConfig.register(config_class.model_type, config_class)
AutoModel.register(config_class, model_class)
|