File size: 2,662 Bytes
f94169f |
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 |
"""
Pythia モデル実装
EleutherAIによる完全オープンソースモデル
学習データ（The Pile）とアーキテクチャが完全公開
"""
from typing import List, Tuple
import torch
from transformers import GPTNeoXForCausalLM, AutoTokenizer
from .base import BaseLanguageModel, ModelConfig
# Pythia 410M設定
PYTHIA_410M_CONFIG = ModelConfig(
name="Pythia 410M",
model_id="EleutherAI/pythia-410m",
embedding_dim=1024,
vocab_size=50304,
)
# Pythia 1B設定
PYTHIA_1B_CONFIG = ModelConfig(
name="Pythia 1B",
model_id="EleutherAI/pythia-1b",
embedding_dim=2048,
vocab_size=50304,
)
class PythiaModel(BaseLanguageModel):
"""
Pythiaモデルの実装（GPT-NeoXベース）
EleutherAIが公開した完全オープンソースモデル。
学習データ（The Pile）も公開されている。
"""
# 出力ノイズの倍率（学習バイアス破壊用）
LOGITS_NOISE_SCALE = 10.0
def load(self) -> None:
"""モデルとトークナイザーをロード"""
if self._is_loaded:
return
try:
self._model = GPTNeoXForCausalLM.from_pretrained(self._config.model_id)
self._tokenizer = AutoTokenizer.from_pretrained(self._config.model_id)
self._model.eval()
self._is_loaded = True
except Exception as e:
raise RuntimeError(f"Failed to load model {self._config.model_id}: {e}")
def forward_with_noise(
self, noise: torch.Tensor
) -> Tuple[torch.Tensor, torch.Tensor]:
"""
ノイズを入力として順伝播を実行し、出力にもノイズを加算
Args:
noise: 入力ノイズテンソル [batch, seq_len, embedding_dim]
Returns:
Tuple[logits, corrupted_logits]
"""
if not self._is_loaded:
raise RuntimeError("Model not loaded. Call load() first.")
with torch.no_grad():
outputs = self._model(inputs_embeds=noise)
logits = outputs.logits
# 出力logitsにノイズを加算して学習バイアスを破壊
logits_noise = (
torch.randn_like(logits) * logits.std() * self.LOGITS_NOISE_SCALE
)
corrupted_logits = logits + logits_noise
return logits, corrupted_logits
def decode_indices(self, indices: List[int]) -> List[str]:
"""トークンインデックスをデコード"""
if not self._is_loaded:
raise RuntimeError("Model not loaded. Call load() first.")
return [self._tokenizer.decode([i]) for i in indices]
|