import os import pickle from contextlib import nullcontext import torch from k_model import ModelConfig, Transformer from transformers import AutoTokenizer, AutoModelForCausalLM import argparse class TextGenerator: def __init__(self, checkpoint='out/SkyWork_pretrain_768_12_6144.pth', # 模型检查点路径 tokenizer_model_path='./tokenizer_k/', # 分词器模型路径 seed=42, # 随机种子，确保可重复性 device=None, # 设备，优先使用 CUDA，如果没有可用的 CUDA，则使用 CPU dtype="bfloat16"): # 数据类型，默认为 float32，可以选择 float16 或 bfloat16 """ 初始化 TextGenerator 类，加载模型、设置设备和分词器等。 """ # 模型加载配置 self.checkpoint = checkpoint # 保存的模型检查点路径 self.tokenizer_model_path = tokenizer_model_path # 分词器模型文件路径 self.seed = seed # 随机数种子，用于生成的可重复性 self.device = device or ('cuda:0' if torch.cuda.is_available() else 'cpu') # 根据硬件条件选择设备 self.dtype = dtype # 模型的浮点数类型 self.device_type = 'cuda' if 'cuda' in self.device else 'cpu' # 判断当前设备是否为 CUDA # 设置随机种子，确保生成的可重复性 torch.manual_seed(seed) # 设置 CPU 随机种子 torch.cuda.manual_seed(seed) # 设置 CUDA 随机种子 torch.backends.cuda.matmul.allow_tf32 = True # 允许 CUDA 使用 TF32 精度进行矩阵乘法运算 torch.backends.cudnn.allow_tf32 = True # 允许 cuDNN 使用 TF32 精度加速 # 根据 dtype 选择适当的自动混合精度上下文 ptdtype = {'float32': torch.float32, 'bfloat16': torch.bfloat16, 'float16': torch.float16}[self.dtype] self.ctx = nullcontext() if self.device_type == 'cpu' else torch.amp.autocast(device_type=self.device_type, dtype=ptdtype) # 加载模型检查点文件 checkpoint_dict = torch.load(self.checkpoint, map_location=self.device) # 加载模型参数 # 初始化模型参数 self.model = Transformer(ModelConfig(dim=1024, n_layers=18)) # 实例化 Transformer 模型 sunwanted_prefix = '_orig_mod.' for k, v in list(checkpoint_dict.items()): if k.startswith(sunwanted_prefix): checkpoint_dict[k[len(sunwanted_prefix):]] = checkpoint_dict.pop(k) self.model.load_state_dict(checkpoint_dict, strict=False) # 计算模型参数量 num_params = sum(p.numel() for p in self.model.parameters() if p.requires_grad) print(f"Model has {num_params / 1e6:.3f} M parameters.") # 设置模型为评估模式（evaluation mode），防止训练模式下的 dropout 等操作影响结果 self.model.eval() # 将模型放置到正确的设备上（GPU 或 CPU） self.model.to(self.device) # 初始化分词器 self.tokenizer = AutoTokenizer.from_pretrained(self.tokenizer_model_path) # 根据指定的路径加载分词器 def chat_template(self, prompt): message = [ {"role": "system", "content": "你是一个AI助手。"}, {"role": "user", "content": prompt} ] return self.tokenizer.apply_chat_template(message, tokenize=False, add_generation_prompt=True) def sft_sample(self, start="Hello!", # 生成文本的起始提示词，可以是任意字符串 num_samples=3, # 生成样本的数量，默认生成 3 个样本 max_new_tokens=256, # 每个样本生成的最大 token 数，默认最多生成 256 个 token temperature=0.7, # 控制生成的随机性，1.0 为标准，值越大越随机 top_k=300): # 保留概率最高的 top_k 个 token，限制生成时的选择范围 """ 根据给定的起始文本生成样本。 :param start: 生成文本的起始提示词 :param num_samples: 要生成的文本样本数 :param max_new_tokens: 每个样本生成的最大 token 数 :param temperature: 控制生成的随机性，值越小生成越确定，值越大生成越随机 :param top_k: 限制生成时选择的 token 范围 :return: 生成的文本样本列表 """ start = self.chat_template(start) # 将起始文本编码为 token id 序列 start_ids = self.tokenizer(start).data['input_ids'] # print('start_ids:', start_ids) x = (torch.tensor(start_ids, dtype=torch.long, device=self.device)[None, ...]) # 将编码后的 token id 转为 PyTorch 张量 generated_texts = [] # 用于保存生成的文本样本 with torch.no_grad(): # 禁用梯度计算，提升效率 with self.ctx: # 进入自动混合精度的上下文（如果是 GPU 并使用 float16 时） for k in range(num_samples): # 循环生成指定数量的样本 y = self.model.generate(x, self.tokenizer.eos_token_id, max_new_tokens, temperature=temperature, top_k=top_k) # 生成文本 generated_texts.append(self.tokenizer.decode(y[0].tolist())) # 解码生成的 token 序列为可读文本 return generated_texts # 返回生成的文本样本 def pretrain_sample(self, start="Hello!", # 生成文本的起始提示词，可以是任意字符串 num_samples=3, # 生成样本的数量，默认生成 3 个样本 max_new_tokens=256, # 每个样本生成的最大 token 数，默认最多生成 256 个 token temperature=0.7, # 控制生成的随机性，1.0 为标准，值越大越随机 top_k=300): # 保留概率最高的 top_k 个 token，限制生成时的选择范围 """ 根据给定的起始文本生成样本。 :param start: 生成文本的起始提示词 :param num_samples: 要生成的文本样本数 :param max_new_tokens: 每个样本生成的最大 token 数 :param temperature: 控制生成的随机性，值越小生成越确定，值越大生成越随机 :param top_k: 限制生成时选择的 token 范围 :return: 生成的文本样本列表 """ # 如果 start 是以 'FILE:' 开头，表示从文件中读取起始文本 if start.startswith('FILE:'): with open(start[5:], 'r', encoding='utf-8') as f: start = f.read() # 读取文件内容作为起始文本 # 将起始文本编码为 token id 序列 start_ids = self.tokenizer(start).data['input_ids'] # print('start_ids:', start_ids) x = (torch.tensor(start_ids, dtype=torch.long, device=self.device)[None, ...]) # 将编码后的 token id 转为 PyTorch 张量 # print(x.shape) generated_texts = [] # 用于保存生成的文本样本 with torch.no_grad(): # 禁用梯度计算，提升效率 with self.ctx: # 进入自动混合精度的上下文（如果是 GPU 并使用 float16 时） for k in range(num_samples): # 循环生成指定数量的样本 y = self.model.generate(x, max_new_tokens=max_new_tokens, temperature=temperature, top_k=top_k) # 生成文本 generated_texts.append(self.tokenizer.decode(y[0].tolist())) # 解码生成的 token 序列为可读文本 return generated_texts # 返回生成的文本样本 if __name__ == "__main__": print("\n ------------------- SFT Sample ------------------- \n") sft_prompt_datas = [ '你好呀', "中国的首都是哪里？", "1+1等于多少？", ] generator = TextGenerator(checkpoint='./BeelGroup_sft_model_215M/sft_dim1024_layers18_vocab_size6144.pth') # 初始化生成器 for i in range(len(sft_prompt_datas)): samples = generator.sft_sample(start=sft_prompt_datas[i], num_samples=1, max_new_tokens=512, temperature=0.75) print(f"\nSample {i+1}:\nQuestion: {sft_prompt_datas[i]} \nAI answer: {samples[0]}\n{'-'*20}") # 打印生成的样本并用分隔线分割 print("------------------- Pretrain Sample ------------------- \n") pretrain_prompt_datas = [ '<|im_start|>北京大学是', '<|im_start|>中国矿业大学（北京）地球科学与测绘工程学院', ] generator = TextGenerator(checkpoint='./base_monkey_215M/pretrain_1024_18_6144.pth') # 初始化生成器 for i in range(len(pretrain_prompt_datas)): samples = generator.pretrain_sample(start=pretrain_prompt_datas[i], num_samples=1, max_new_tokens=120, temperature=1.0) print(f"\nSample {i+1}:\n{pretrain_prompt_datas[i]}{samples[0]}\n{'-'*20}") # 打印生成的样本并用分隔线分割