| //#include "ggml.h" | |
| // | |
| //#include "common.h" | |
| //#include "common-ggml.h" | |
| // | |
| //#include <cassert> | |
| //#include <cmath> | |
| //#include <cstdio> | |
| //#include <cstring> | |
| //#include <fstream> | |
| //#include <map> | |
| //#include <string> | |
| //#include <vector> | |
| // | |
| //#if defined(_MSC_VER) | |
| //#pragma warning(disable: 4244 4267) // possible loss of data | |
| //#endif | |
| // | |
| //// default hparams (GPT-2 117M) | |
| //struct gpt2_hparams { | |
| // int32_t n_vocab = 50257; // Vocabulary size remains the same | |
| // int32_t n_ctx = 1024; // Maximum context length (sequence length) | |
| // int32_t n_embd = 1024; // Embedding dimensionality | |
| // int32_t n_head = 16; // Number of attention heads | |
| // int32_t n_layer = 24; // Number of transformer layers | |
| // int32_t ftype = 1; // Set to 1 for FP16 precision (optional) | |
| // float eps = 1e-5f; // Small constant for numerical stability | |
| //}; | |
| // | |
| //struct gpt2_layer { | |
| // // normalization | |
| // struct ggml_tensor * ln_1_g; | |
| // struct ggml_tensor * ln_1_b; | |
| // | |
| // struct ggml_tensor * ln_2_g; | |
| // struct ggml_tensor * ln_2_b; | |
| // | |
| // // attention | |
| // struct ggml_tensor * c_attn_attn_w; | |
| // struct ggml_tensor * c_attn_attn_b; | |
| // | |
| // struct ggml_tensor * c_attn_proj_w; | |
| // struct ggml_tensor * c_attn_proj_b; | |
| // | |
| // // mlp | |
| // struct ggml_tensor * c_mlp_fc_w; | |
| // struct ggml_tensor * c_mlp_fc_b; | |
| // | |
| // struct ggml_tensor * c_mlp_proj_w; | |
| // struct ggml_tensor * c_mlp_proj_b; | |
| //}; | |
| // | |
| //struct gpt2_model { | |
| // gpt2_hparams hparams; | |
| // | |
| // // normalization | |
| // struct ggml_tensor * ln_f_g; | |
| // struct ggml_tensor * ln_f_b; | |
| // | |
| // struct ggml_tensor * wte; // position embedding | |
| // struct ggml_tensor * wpe; // token embedding | |
| // struct ggml_tensor * lm_head; // language model head | |
| // | |
| // std::vector<gpt2_layer> layers; | |
| // | |
| // // key + value memory | |
| // struct ggml_tensor * memory_k; | |
| // struct ggml_tensor * memory_v; | |
| // | |
| // // | |
| // struct ggml_context * ctx_w; | |
| // std::map<std::string, struct ggml_tensor *> tensors; | |
| //}; | |
| // | |
| //// load the model's weights from a file | |
| //bool gpt2_model_load(const std::string & fname, gpt2_model & model, gpt_vocab & vocab) { | |
| // printf("%s: loading model from '%s'\n", __func__, fname.c_str()); | |
| // | |
| // auto fin = std::ifstream(fname, std::ios::binary); | |
| // if (!fin) { | |
| // fprintf(stderr, "%s: failed to open '%s'\n", __func__, fname.c_str()); | |
| // return false; | |
| // } | |
| // | |
| // // verify magic | |
| // { | |
| // uint32_t magic; | |
| // fin.read((char *) &magic, sizeof(magic)); | |
| // if (magic != GGML_FILE_MAGIC) { | |
| // fprintf(stderr, "%s: invalid model file '%s' (bad magic)\n", __func__, fname.c_str()); | |
| // return false; | |
| // } | |
| // } | |
| // | |
| // // load hparams | |
| // { | |
| // auto & hparams = model.hparams; | |
| // | |
| // fin.read((char *) &hparams.n_vocab, sizeof(hparams.n_vocab)); | |
| // fin.read((char *) &hparams.n_ctx, sizeof(hparams.n_ctx)); | |
| // fin.read((char *) &hparams.n_embd, sizeof(hparams.n_embd)); | |
| // fin.read((char *) &hparams.n_head, sizeof(hparams.n_head)); | |
| // fin.read((char *) &hparams.n_layer, sizeof(hparams.n_layer)); | |
| // fin.read((char *) &hparams.ftype, sizeof(hparams.ftype)); | |
| // | |
| // const int32_t qntvr = hparams.ftype / GGML_QNT_VERSION_FACTOR; | |
| // | |
| // printf("%s: n_vocab = %d\n", __func__, hparams.n_vocab); | |
| // printf("%s: n_ctx = %d\n", __func__, hparams.n_ctx); | |
| // printf("%s: n_embd = %d\n", __func__, hparams.n_embd); | |
| // printf("%s: n_head = %d\n", __func__, hparams.n_head); | |
| // printf("%s: n_layer = %d\n", __func__, hparams.n_layer); | |
| // printf("%s: ftype = %d\n", __func__, hparams.ftype); | |
| // printf("%s: qntvr = %d\n", __func__, qntvr); | |
| // | |
| // hparams.ftype %= GGML_QNT_VERSION_FACTOR; | |
| // } | |
| // | |
| // // load vocab | |
| // { | |
| // int32_t n_vocab = 0; | |
| // fin.read((char *) &n_vocab, sizeof(n_vocab)); | |
| // | |
| // if (n_vocab != model.hparams.n_vocab) { | |
| // fprintf(stderr, "%s: invalid model file '%s' (bad vocab size %d != %d)\n", | |
| // __func__, fname.c_str(), n_vocab, model.hparams.n_vocab); | |
| // return false; | |
| // } | |
| // | |
| // std::string word; | |
| // std::vector<char> buf(128); | |
| // | |
| // for (int i = 0; i < n_vocab; i++) { | |
| // uint32_t len; | |
| // fin.read((char *) &len, sizeof(len)); | |
| // | |
| // buf.resize(len); | |
| // fin.read((char *) buf.data(), len); | |
| // word.assign(buf.data(), len); | |
| // | |
| // vocab.token_to_id[word] = i; | |
| // vocab.id_to_token[i] = word; | |
| // } | |
| // } | |
| // | |
| // // for the big tensors, we have the option to store the data in 16-bit floats or quantized | |
| // // in order to save memory and also to speed up the computation | |
| // ggml_type wtype = ggml_ftype_to_ggml_type((ggml_ftype) (model.hparams.ftype)); | |
| // if (wtype == GGML_TYPE_COUNT) { | |
| // fprintf(stderr, "%s: invalid model file '%s' (bad ftype value %d)\n", | |
| // __func__, fname.c_str(), model.hparams.ftype); | |
| // return false; | |
| // } | |
| // | |
| // auto & ctx = model.ctx_w; | |
| // | |
| // size_t ctx_size = 0; | |
| // | |
| // { | |
| // const auto & hparams = model.hparams; | |
| // | |
| // const int n_embd = hparams.n_embd; | |
| // const int n_layer = hparams.n_layer; | |
| // const int n_ctx = hparams.n_ctx; | |
| // const int n_vocab = hparams.n_vocab; | |
| // | |
| // ctx_size += ggml_row_size(GGML_TYPE_F32, n_embd); // ln_f_g | |
| // ctx_size += ggml_row_size(GGML_TYPE_F32, n_embd); // ln_f_b | |
| // | |
| // ctx_size += ggml_row_size(wtype, n_vocab*n_embd); // wte | |
| // ctx_size += ggml_row_size(GGML_TYPE_F32, n_ctx*n_embd); // wpe | |
| // ctx_size += ggml_row_size(wtype, n_vocab*n_embd); // lm_head | |
| // | |
| // ctx_size += n_layer*(ggml_row_size(GGML_TYPE_F32, n_embd)); // ln_1_g | |
| // ctx_size += n_layer*(ggml_row_size(GGML_TYPE_F32, n_embd)); // ln_1_b | |
| // | |
| // ctx_size += n_layer*(ggml_row_size(GGML_TYPE_F32, n_embd)); // ln_2_g | |
| // ctx_size += n_layer*(ggml_row_size(GGML_TYPE_F32, n_embd)); // ln_2_b | |
| // | |
| // ctx_size += n_layer*(ggml_row_size(wtype, 3*n_embd*n_embd)); // c_attn_attn_w | |
| // ctx_size += n_layer*(ggml_row_size(GGML_TYPE_F32, 3*n_embd)); // c_attn_attn_b | |
| // | |
| // ctx_size += n_layer*(ggml_row_size(wtype, n_embd*n_embd)); // c_attn_proj_w | |
| // ctx_size += n_layer*(ggml_row_size(GGML_TYPE_F32, n_embd)); // c_attn_proj_b | |
| // | |
| // ctx_size += n_layer*(ggml_row_size(wtype, 4*n_embd*n_embd)); // c_mlp_fc_w | |
| // ctx_size += n_layer*(ggml_row_size(GGML_TYPE_F32, 4*n_embd)); // c_mlp_fc_b | |
| // | |
| // ctx_size += n_layer*(ggml_row_size(wtype, 4*n_embd*n_embd)); // c_mlp_proj_w | |
| // ctx_size += n_layer*(ggml_row_size(GGML_TYPE_F32, 4*n_embd)); // c_mlp_proj_b | |
| // | |
| // ctx_size += n_ctx*n_layer*ggml_row_size(GGML_TYPE_F32, n_embd); // memory_k | |
| // ctx_size += n_ctx*n_layer*ggml_row_size(GGML_TYPE_F32, n_embd); // memory_v | |
| // | |
| // ctx_size += (6 + 12*n_layer)*512; // object overhead | |
| // | |
| // printf("%s: ggml tensor size = %d bytes\n", __func__, (int) sizeof(ggml_tensor)); | |
| // printf("%s: ggml ctx size = %6.2f MB\n", __func__, ctx_size/(1024.0*1024.0)); | |
| // } | |
| // | |
| // // create the ggml context | |
| // { | |
| // struct ggml_init_params params = { | |
| // /*.mem_size =*/ ctx_size, | |
| // /*.mem_buffer =*/ NULL, | |
| // /*.no_alloc =*/ false, | |
| // }; | |
| // | |
| // model.ctx_w = ggml_init(params); | |
| // if (!model.ctx_w) { | |
| // fprintf(stderr, "%s: ggml_init() failed\n", __func__); | |
| // return false; | |
| // } | |
| // } | |
| // | |
| // // prepare memory for the weights | |
| // { | |
| // const auto & hparams = model.hparams; | |
| // | |
| // const int n_embd = hparams.n_embd; | |
| // const int n_layer = hparams.n_layer; | |
| // const int n_ctx = hparams.n_ctx; | |
| // const int n_vocab = hparams.n_vocab; | |
| // | |
| // model.layers.resize(n_layer); | |
| // | |
| // model.ln_f_g = ggml_new_tensor_1d(ctx, GGML_TYPE_F32, n_embd); | |
| // model.ln_f_b = ggml_new_tensor_1d(ctx, GGML_TYPE_F32, n_embd); | |
| // | |
| // model.wte = ggml_new_tensor_2d(ctx, wtype, n_embd, n_vocab); | |
| // model.wpe = ggml_new_tensor_2d(ctx, GGML_TYPE_F32, n_embd, n_ctx); | |
| // model.lm_head = ggml_new_tensor_2d(ctx, wtype, n_embd, n_vocab); | |
| // | |
| // // map by name | |
| // model.tensors["model/ln_f/g"] = model.ln_f_g; | |
| // model.tensors["model/ln_f/b"] = model.ln_f_b; | |
| // | |
| // model.tensors["model/wte"] = model.wte; | |
| // model.tensors["model/wpe"] = model.wpe; | |
| // model.tensors["model/lm_head"] = model.lm_head; | |
| // | |
| // for (int i = 0; i < n_layer; ++i) { | |
| // auto & layer = model.layers[i]; | |
| // | |
| // layer.ln_1_g = ggml_new_tensor_1d(ctx, GGML_TYPE_F32, n_embd); | |
| // layer.ln_1_b = ggml_new_tensor_1d(ctx, GGML_TYPE_F32, n_embd); | |
| // | |
| // layer.ln_2_g = ggml_new_tensor_1d(ctx, GGML_TYPE_F32, n_embd); | |
| // layer.ln_2_b = ggml_new_tensor_1d(ctx, GGML_TYPE_F32, n_embd); | |
| // | |
| // layer.c_attn_attn_w = ggml_new_tensor_2d(ctx, wtype, n_embd, 3*n_embd); | |
| // layer.c_attn_attn_b = ggml_new_tensor_1d(ctx, GGML_TYPE_F32, 3*n_embd); | |
| // | |
| // layer.c_attn_proj_w = ggml_new_tensor_2d(ctx, wtype, n_embd, n_embd); | |
| // layer.c_attn_proj_b = ggml_new_tensor_1d(ctx, GGML_TYPE_F32, n_embd); | |
| // | |
| // layer.c_mlp_fc_w = ggml_new_tensor_2d(ctx, wtype, n_embd, 4*n_embd); | |
| // layer.c_mlp_fc_b = ggml_new_tensor_1d(ctx, GGML_TYPE_F32, 4*n_embd); | |
| // | |
| // layer.c_mlp_proj_w = ggml_new_tensor_2d(ctx, wtype, 4*n_embd, n_embd); | |
| // layer.c_mlp_proj_b = ggml_new_tensor_1d(ctx, GGML_TYPE_F32, n_embd); | |
| // | |
| // // map by name | |
| // model.tensors["model/h" + std::to_string(i) + "/ln_1/g"] = layer.ln_1_g; | |
| // model.tensors["model/h" + std::to_string(i) + "/ln_1/b"] = layer.ln_1_b; | |
| // | |
| // model.tensors["model/h" + std::to_string(i) + "/ln_2/g"] = layer.ln_2_g; | |
| // model.tensors["model/h" + std::to_string(i) + "/ln_2/b"] = layer.ln_2_b; | |
| // | |
| // model.tensors["model/h" + std::to_string(i) + "/attn/c_attn/w"] = layer.c_attn_attn_w; | |
| // model.tensors["model/h" + std::to_string(i) + "/attn/c_attn/b"] = layer.c_attn_attn_b; | |
| // | |
| // model.tensors["model/h" + std::to_string(i) + "/attn/c_proj/w"] = layer.c_attn_proj_w; | |
| // model.tensors["model/h" + std::to_string(i) + "/attn/c_proj/b"] = layer.c_attn_proj_b; | |
| // | |
| // model.tensors["model/h" + std::to_string(i) + "/mlp/c_fc/w"] = layer.c_mlp_fc_w; | |
| // model.tensors["model/h" + std::to_string(i) + "/mlp/c_fc/b"] = layer.c_mlp_fc_b; | |
| // | |
| // model.tensors["model/h" + std::to_string(i) + "/mlp/c_proj/w"] = layer.c_mlp_proj_w; | |
| // model.tensors["model/h" + std::to_string(i) + "/mlp/c_proj/b"] = layer.c_mlp_proj_b; | |
| // } | |
| // } | |
| // | |
| // // key + value memory | |
| // { | |
| // const auto & hparams = model.hparams; | |
| // | |
| // const int n_embd = hparams.n_embd; | |
| // const int n_layer = hparams.n_layer; | |
| // const int n_ctx = hparams.n_ctx; | |
| // | |
| // const int n_mem = n_layer*n_ctx; | |
| // const int n_elements = n_embd*n_mem; | |
| // | |
| // model.memory_k = ggml_new_tensor_1d(ctx, GGML_TYPE_F32, n_elements); | |
| // model.memory_v = ggml_new_tensor_1d(ctx, GGML_TYPE_F32, n_elements); | |
| // | |
| // const size_t memory_size = ggml_nbytes(model.memory_k) + ggml_nbytes(model.memory_v); | |
| // | |
| // printf("%s: memory size = %8.2f MB, n_mem = %d\n", __func__, memory_size/1024.0/1024.0, n_mem); | |
| // } | |
| // | |
| // // load weights | |
| // { | |
| // size_t total_size = 0; | |
| // | |
| // bool has_lm_head = false; | |
| // | |
| // while (true) { | |
| // int32_t n_dims; | |
| // int32_t length; | |
| // int32_t ttype; | |
| // | |
| // fin.read(reinterpret_cast<char *>(&n_dims), sizeof(n_dims)); | |
| // fin.read(reinterpret_cast<char *>(&length), sizeof(length)); | |
| // fin.read(reinterpret_cast<char *>(&ttype), sizeof(ttype)); | |
| // | |
| // if (fin.eof()) { | |
| // break; | |
| // } | |
| // | |
| // int32_t nelements = 1; | |
| // int32_t ne[2] = { 1, 1 }; | |
| // for (int i = 0; i < n_dims; ++i) { | |
| // fin.read(reinterpret_cast<char *>(&ne[i]), sizeof(ne[i])); | |
| // nelements *= ne[i]; | |
| // } | |
| // | |
| // std::string name(length, 0); | |
| // fin.read(&name[0], length); | |
| // | |
| // if (model.tensors.find(name) == model.tensors.end()) { | |
| // fprintf(stderr, "%s: unknown tensor '%s' in model file\n", __func__, name.c_str()); | |
| // return false; | |
| // } | |
| // | |
| // auto tensor = model.tensors[name]; | |
| // if (ggml_nelements(tensor) != nelements) { | |
| // fprintf(stderr, "%s: tensor '%s' has wrong size in model file\n", __func__, name.c_str()); | |
| // return false; | |
| // } | |
| // | |
| // if (tensor->ne[0] != ne[0] || tensor->ne[1] != ne[1]) { | |
| // fprintf(stderr, "%s: tensor '%s' has wrong shape in model file: got [%d, %d], expected [%d, %d]\n", | |
| // __func__, name.c_str(), (int) tensor->ne[0], (int) tensor->ne[1], ne[0], ne[1]); | |
| // return false; | |
| // } | |
| // | |
| // // for debugging | |
| // if (0) { | |
| // printf("%24s - [%5d, %5d], type = %6s, %6.2f MB, %9zu bytes\n", name.c_str(), ne[0], ne[1], ggml_type_name(ggml_type(ttype)), ggml_nbytes(tensor)/1024.0/1024.0, ggml_nbytes(tensor)); | |
| // } | |
| // | |
| // const size_t bpe = ggml_type_size(ggml_type(ttype)); | |
| // | |
| // if ((nelements*bpe)/ggml_blck_size(tensor->type) != ggml_nbytes(tensor)) { | |
| // fprintf(stderr, "%s: tensor '%s' has wrong size in model file: got %zu, expected %zu\n", | |
| // __func__, name.c_str(), ggml_nbytes(tensor), nelements*bpe); | |
| // return false; | |
| // } | |
| // | |
| // fin.read(reinterpret_cast<char *>(tensor->data), ggml_nbytes(tensor)); | |
| // | |
| // // GPT-2 models share the WTE tensor as the LM head | |
| // if (name == "model/wte" && has_lm_head == false) { | |
| // memcpy(model.lm_head->data, tensor->data, ggml_nbytes(tensor)); | |
| // } | |
| // | |
| // if (name == "model/lm_head") { | |
| // has_lm_head = true; | |
| // } | |
| // | |
| // total_size += ggml_nbytes(tensor); | |
| // } | |
| // | |
| // printf("%s: model size = %8.2f MB\n", __func__, total_size/1024.0/1024.0); | |
| // } | |
| // | |
| // fin.close(); | |
| // | |
| // return true; | |
| //} | |
| // | |
| //// evaluate the transformer | |
| //// | |
| //// - model: the model | |
| //// - n_threads: number of threads to use | |
| //// - n_past: the context size so far | |
| //// - embd_inp: the embeddings of the tokens in the context | |
| //// - embd_w: the predicted logits for the next token | |
| //// | |
| //bool gpt2_eval( | |
| // const gpt2_model & model, | |
| // const int n_threads, | |
| // const int n_past, | |
| // const std::vector<gpt_vocab::id> & embd_inp, | |
| // std::vector<float> & embd_w, | |
| // size_t & mem_per_token) { | |
| // const int N = embd_inp.size(); | |
| // | |
| // const auto & hparams = model.hparams; | |
| // | |
| // const int n_embd = hparams.n_embd; | |
| // const int n_layer = hparams.n_layer; | |
| // const int n_ctx = hparams.n_ctx; | |
| // const int n_head = hparams.n_head; | |
| // const int n_vocab = hparams.n_vocab; | |
| // | |
| // static size_t buf_size = 256u*1024*1024; | |
| // static void * buf = malloc(buf_size); | |
| // | |
| // if (mem_per_token > 0 && mem_per_token*N > buf_size) { | |
| // const size_t buf_size_new = 1.1*(mem_per_token*N); // add 10% to account for ggml object overhead | |
| // //printf("\n%s: reallocating buffer from %zu to %zu bytes\n", __func__, buf_size, buf_size_new); | |
| // | |
| // // reallocate | |
| // buf_size = buf_size_new; | |
| // buf = realloc(buf, buf_size); | |
| // if (buf == nullptr) { | |
| // fprintf(stderr, "%s: failed to allocate %zu bytes\n", __func__, buf_size); | |
| // return false; | |
| // } | |
| // } | |
| // | |
| // struct ggml_init_params params = { | |
| // /*.mem_size =*/ buf_size, | |
| // /*.mem_buffer =*/ buf, | |
| // /*.no_alloc =*/ false, | |
| // }; | |
| // | |
| // struct ggml_context * ctx0 = ggml_init(params); | |
| // struct ggml_cgraph * gf = ggml_new_graph(ctx0); | |
| // | |
| // struct ggml_tensor * embd = ggml_new_tensor_1d(ctx0, GGML_TYPE_I32, N); | |
| // memcpy(embd->data, embd_inp.data(), N*ggml_element_size(embd)); | |
| // | |
| // struct ggml_tensor * position = ggml_new_tensor_1d(ctx0, GGML_TYPE_I32, N); | |
| // for (int i = 0; i < N; ++i) { | |
| // ((int32_t *) position->data)[i] = n_past + i; | |
| // } | |
| // | |
| // // wte + wpe | |
| // struct ggml_tensor * inpL = | |
| // ggml_add(ctx0, | |
| // ggml_get_rows(ctx0, model.wte, embd), | |
| // ggml_get_rows(ctx0, model.wpe, position)); | |
| // | |
| // for (int il = 0; il < n_layer; ++il) { | |
| // struct ggml_tensor * cur; | |
| // | |
| // // norm | |
| // { | |
| // // [ 768, N] | |
| // cur = ggml_norm(ctx0, inpL, hparams.eps); | |
| // | |
| // // cur = ln_1_g*cur + ln_1_b | |
| // // [ 768, N] | |
| // cur = ggml_add(ctx0, | |
| // ggml_mul(ctx0, | |
| // ggml_repeat(ctx0, model.layers[il].ln_1_g, cur), | |
| // cur), | |
| // ggml_repeat(ctx0, model.layers[il].ln_1_b, cur)); | |
| // } | |
| // | |
| // // attn | |
| // // [2304, 768] - model.layers[il].c_attn_attn_w | |
| // // [2304, 1] - model.layers[il].c_attn_attn_b | |
| // // [ 768, N] - cur (in) | |
| // // [2304, N] - cur (out) | |
| // // | |
| // // cur = attn_w*cur + attn_b | |
| // // [2304, N] | |
| // { | |
| // cur = ggml_mul_mat(ctx0, | |
| // model.layers[il].c_attn_attn_w, | |
| // cur); | |
| // | |
| // cur = ggml_add(ctx0, | |
| // ggml_repeat(ctx0, model.layers[il].c_attn_attn_b, cur), | |
| // cur); | |
| // } | |
| // | |
| // // self-attention | |
| // { | |
| // struct ggml_tensor * Qcur = ggml_view_2d(ctx0, cur, n_embd, N, cur->nb[1], 0*sizeof(float)*n_embd); | |
| // struct ggml_tensor * Kcur = ggml_view_2d(ctx0, cur, n_embd, N, cur->nb[1], 1*sizeof(float)*n_embd); | |
| // struct ggml_tensor * Vcur = ggml_view_2d(ctx0, cur, n_embd, N, cur->nb[1], 2*sizeof(float)*n_embd); | |
| // | |
| // // store key and value to memory | |
| // if (N >= 1) { | |
| // struct ggml_tensor * k = ggml_view_1d(ctx0, model.memory_k, N*n_embd, (ggml_element_size(model.memory_k)*n_embd)*(il*n_ctx + n_past)); | |
| // struct ggml_tensor * v = ggml_view_1d(ctx0, model.memory_v, N*n_embd, (ggml_element_size(model.memory_v)*n_embd)*(il*n_ctx + n_past)); | |
| // | |
| // ggml_build_forward_expand(gf, ggml_cpy(ctx0, Kcur, k)); | |
| // ggml_build_forward_expand(gf, ggml_cpy(ctx0, Vcur, v)); | |
| // } | |
| // | |
| // // Q = Qcur.contiguous().view(n_embd/n_head, n_head, N).permute(0, 2, 1, 3) | |
| // // [64, N, 12] | |
| // struct ggml_tensor * Q = | |
| // ggml_permute(ctx0, | |
| // ggml_cpy(ctx0, | |
| // Qcur, | |
| // ggml_new_tensor_3d(ctx0, GGML_TYPE_F32, n_embd/n_head, n_head, N)), | |
| // 0, 2, 1, 3); | |
| // | |
| // // K = Kmem.view(n_embd/n_head, n_head, n_past + N).permute(0, 2, 1, 3) | |
| // // [64, n_past + N, 12] | |
| // struct ggml_tensor * K = | |
| // ggml_permute(ctx0, | |
| // ggml_reshape_3d(ctx0, | |
| // ggml_view_1d(ctx0, model.memory_k, (n_past + N)*n_embd, il*n_ctx*ggml_element_size(model.memory_k)*n_embd), | |
| // n_embd/n_head, n_head, n_past + N), | |
| // 0, 2, 1, 3); | |
| // | |
| // // GG: flash attention | |
| // //struct ggml_tensor * V = | |
| // // ggml_cpy(ctx0, | |
| // // ggml_permute(ctx0, | |
| // // ggml_reshape_3d(ctx0, | |
| // // ggml_view_1d(ctx0, model.memory_v, (n_past + N)*n_embd, il*n_ctx*ggml_element_size(model.memory_v)*n_embd), | |
| // // n_embd/n_head, n_head, n_past + N), | |
| // // 1, 2, 0, 3), | |
| // // ggml_new_tensor_3d(ctx0, GGML_TYPE_F32, n_past + N, n_embd/n_head, n_head)); | |
| // | |
| // //struct ggml_tensor * KQV = ggml_flash_attn(ctx0, Q, K, V, true); | |
| // | |
| // // K * Q | |
| // // [n_past + N, N, 12] | |
| // struct ggml_tensor * KQ = ggml_mul_mat(ctx0, K, Q); | |
| // | |
| // // KQ_scaled = KQ / sqrt(n_embd/n_head) | |
| // // [n_past + N, N, 12] | |
| // struct ggml_tensor * KQ_scaled = ggml_scale_inplace(ctx0, KQ, 1.0f/sqrt(float(n_embd)/n_head)); | |
| // | |
| // // KQ_masked = mask_past(KQ_scaled) | |
| // // [n_past + N, N, 12] | |
| // struct ggml_tensor * KQ_masked = ggml_diag_mask_inf_inplace(ctx0, KQ_scaled, n_past); | |
| // | |
| // // KQ = soft_max(KQ_masked) | |
| // // [n_past + N, N, 12] | |
| // struct ggml_tensor * KQ_soft_max = ggml_soft_max_inplace(ctx0, KQ_masked); | |
| // | |
| // // V_trans = Vmem.view(n_embd/n_head, n_head, n_past + N).permute(1, 2, 0, 3).contiguous() | |
| // // [n_past + N, 64, 12] | |
| // struct ggml_tensor * V_trans = | |
| // ggml_cpy(ctx0, | |
| // ggml_permute(ctx0, | |
| // ggml_reshape_3d(ctx0, | |
| // ggml_view_1d(ctx0, model.memory_v, (n_past + N)*n_embd, il*n_ctx*ggml_element_size(model.memory_v)*n_embd), | |
| // n_embd/n_head, n_head, n_past + N), | |
| // 1, 2, 0, 3), | |
| // ggml_new_tensor_3d(ctx0, model.memory_v->type, n_past + N, n_embd/n_head, n_head)); | |
| // | |
| // // KQV = transpose(V) * KQ_soft_max | |
| // // [64, N, 12] | |
| // struct ggml_tensor * KQV = ggml_mul_mat(ctx0, V_trans, KQ_soft_max); | |
| // | |
| // // KQV_merged = KQV.permute(0, 2, 1, 3) | |
| // // [64, 12, N] | |
| // struct ggml_tensor * KQV_merged = ggml_permute(ctx0, KQV, 0, 2, 1, 3); | |
| // | |
| // // cur = KQV_merged.contiguous().view(n_embd, N) | |
| // // [768, N] | |
| // cur = ggml_cpy(ctx0, | |
| // KQV_merged, | |
| // ggml_new_tensor_2d(ctx0, GGML_TYPE_F32, n_embd, N)); | |
| // } | |
| // | |
| // // projection | |
| // // [ 768, 768] - model.layers[il].c_attn_proj_w | |
| // // [ 768, 1] - model.layers[il].c_attn_proj_b | |
| // // [ 768, N] - cur (in) | |
| // // [ 768, N] - cur (out) | |
| // // | |
| // // cur = proj_w*cur + proj_b | |
| // // [768, N] | |
| // { | |
| // cur = ggml_mul_mat(ctx0, | |
| // model.layers[il].c_attn_proj_w, | |
| // cur); | |
| // | |
| // cur = ggml_add(ctx0, | |
| // ggml_repeat(ctx0, model.layers[il].c_attn_proj_b, cur), | |
| // cur); | |
| // } | |
| // | |
| // // add the input | |
| // cur = ggml_add(ctx0, cur, inpL); | |
| // | |
| // struct ggml_tensor * inpFF = cur; | |
| // | |
| // // feed-forward network | |
| // { | |
| // // norm | |
| // { | |
| // cur = ggml_norm(ctx0, inpFF, hparams.eps); | |
| // | |
| // // cur = ln_2_g*cur + ln_2_b | |
| // // [ 768, N] | |
| // cur = ggml_add(ctx0, | |
| // ggml_mul(ctx0, | |
| // ggml_repeat(ctx0, model.layers[il].ln_2_g, cur), | |
| // cur), | |
| // ggml_repeat(ctx0, model.layers[il].ln_2_b, cur)); | |
| // } | |
| // | |
| // // fully connected | |
| // // [3072, 768] - model.layers[il].c_mlp_fc_w | |
| // // [3072, 1] - model.layers[il].c_mlp_fc_b | |
| // // [ 768, N] - cur (in) | |
| // // [3072, N] - cur (out) | |
| // // | |
| // // cur = fc_w*cur + fc_b | |
| // // [3072, N] | |
| // cur = ggml_mul_mat(ctx0, | |
| // model.layers[il].c_mlp_fc_w, | |
| // cur); | |
| // | |
| // cur = ggml_add(ctx0, | |
| // ggml_repeat(ctx0, model.layers[il].c_mlp_fc_b, cur), | |
| // cur); | |
| // | |
| // // GELU activation | |
| // // [3072, N] | |
| // cur = ggml_gelu(ctx0, cur); | |
| // | |
| // // projection | |
| // // [ 768, 3072] - model.layers[il].c_mlp_proj_w | |
| // // [ 768, 1] - model.layers[il].c_mlp_proj_b | |
| // // [3072, N] - cur (in) | |
| // // [ 768, N] - cur (out) | |
| // // | |
| // // cur = proj_w*cur + proj_b | |
| // // [768, N] | |
| // cur = ggml_mul_mat(ctx0, | |
| // model.layers[il].c_mlp_proj_w, | |
| // cur); | |
| // | |
| // cur = ggml_add(ctx0, | |
| // ggml_repeat(ctx0, model.layers[il].c_mlp_proj_b, cur), | |
| // cur); | |
| // } | |
| // | |
| // // input for next layer | |
| // inpL = ggml_add(ctx0, cur, inpFF); | |
| // } | |
| // | |
| // // norm | |
| // { | |
| // // [ 768, N] | |
| // inpL = ggml_norm(ctx0, inpL, hparams.eps); | |
| // | |
| // // inpL = ln_f_g*inpL + ln_f_b | |
| // // [ 768, N] | |
| // inpL = ggml_add(ctx0, | |
| // ggml_mul(ctx0, | |
| // ggml_repeat(ctx0, model.ln_f_g, inpL), | |
| // inpL), | |
| // ggml_repeat(ctx0, model.ln_f_b, inpL)); | |
| // } | |
| // | |
| // // inpL = WTE * inpL | |
| // // [ 768, 50257] - model.lm_head | |
| // // [ 768, N] - inpL | |
| // inpL = ggml_mul_mat(ctx0, model.lm_head, inpL); | |
| // | |
| // // logits -> probs | |
| // //inpL = ggml_soft_max_inplace(ctx0, inpL); | |
| // | |
| // // run the computation | |
| // ggml_build_forward_expand(gf, inpL); | |
| // ggml_graph_compute_with_ctx(ctx0, gf, n_threads); | |
| // | |
| // //if (n_past%100 == 0) { | |
| // // ggml_graph_print (&gf); | |
| // // ggml_graph_dump_dot(&gf, NULL, "gpt-2.dot"); | |
| // //} | |
| // | |
| // //embd_w.resize(n_vocab*N); | |
| // //memcpy(embd_w.data(), ggml_get_data(inpL), sizeof(float)*n_vocab*N); | |
| // | |
| // // return result just for the last token | |
| // embd_w.resize(n_vocab); | |
| // memcpy(embd_w.data(), (float *) ggml_get_data(inpL) + (n_vocab*(N-1)), sizeof(float)*n_vocab); | |
| // | |
| // if (mem_per_token == 0) { | |
| // mem_per_token = ggml_used_mem(ctx0)/N; | |
| // } | |
| // //printf("used_mem = %zu\n", ggml_used_mem(ctx0)); | |
| // | |
| // ggml_free(ctx0); | |
| // | |
| // return true; | |
| //} | |
| // | |
| //int main(int argc, char ** argv) { | |
| // ggml_time_init(); | |
| // | |
| // const int64_t t_main_start_us = ggml_time_us(); | |
| // | |
| // gpt_params params; | |
| // params.model = "ggml-model-gpt-2-774M.bin"; | |
| // | |
| // if (gpt_params_parse(argc, argv, params) == false) { | |
| // return 1; | |
| // } | |
| // | |
| // if (params.seed < 0) { | |
| // params.seed = time(NULL); | |
| // } | |
| // | |
| // printf("%s: seed = %d\n", __func__, params.seed); | |
| // | |
| // std::mt19937 rng(params.seed); | |
| // if (params.prompt.empty()) { | |
| // params.prompt = gpt_random_prompt(rng); | |
| // } | |
| // | |
| // int64_t t_load_us = 0; | |
| // | |
| // gpt_vocab vocab; | |
| // gpt2_model model; | |
| // | |
| // // load the model | |
| // { | |
| // const int64_t t_start_us = ggml_time_us(); | |
| // | |
| // if (!gpt2_model_load(params.model, model, vocab)) { | |
| // fprintf(stderr, "%s: failed to load model from '%s'\n", __func__, params.model.c_str()); | |
| // return 1; | |
| // } | |
| // | |
| // t_load_us = ggml_time_us() - t_start_us; | |
| // | |
| // test_gpt_tokenizer(vocab, params.token_test); | |
| // } | |
| // | |
| // while(true) { | |
| // int n_past = 0; | |
| // | |
| // int64_t t_sample_us = 0; | |
| // int64_t t_predict_us = 0; | |
| // | |
| // std::vector<float> logits; | |
| // | |
| // // tokenize the prompt | |
| // std::vector<gpt_vocab::id> embd_inp = ::gpt_tokenize(vocab, params.prompt); | |
| // | |
| // params.n_predict = std::min(params.n_predict, model.hparams.n_ctx - (int) embd_inp.size()); | |
| // | |
| // printf("%s: prompt: '%s'\n", __func__, params.prompt.c_str()); | |
| // printf("%s: number of tokens in prompt = %zu, first 8 tokens: ", __func__, embd_inp.size()); | |
| // for (int i = 0; i < std::min(8, (int) embd_inp.size()); i++) { | |
| // printf("%d ", embd_inp[i]); | |
| // } | |
| // printf("\n\n"); | |
| // | |
| // // submit the input prompt token-by-token | |
| // // this reduces the memory usage during inference, at the cost of a bit of speed at the beginning | |
| // std::vector<gpt_vocab::id> embd; | |
| // | |
| // // determine the required inference memory per token: | |
| // size_t mem_per_token = 0; | |
| // gpt2_eval(model, params.n_threads, 0, { 0, 1, 2, 3 }, logits, mem_per_token); | |
| // | |
| // for (size_t i = embd.size(); i < embd_inp.size() + params.n_predict; i++) { | |
| // // predict | |
| // if (embd.size() > 0) { | |
| // const int64_t t_start_us = ggml_time_us(); | |
| // | |
| // if (!gpt2_eval(model, params.n_threads, n_past, embd, logits, mem_per_token)) { | |
| // printf("Failed to predict\n"); | |
| // return 1; | |
| // } | |
| // | |
| // t_predict_us += ggml_time_us() - t_start_us; | |
| // } | |
| // | |
| // n_past += embd.size(); | |
| // embd.clear(); | |
| // | |
| // if (i >= embd_inp.size()) { | |
| // // sample next token | |
| // const int top_k = params.top_k; | |
| // const float top_p = params.top_p; | |
| // const float temp = params.temp; | |
| // | |
| // const int n_vocab = model.hparams.n_vocab; | |
| // | |
| // gpt_vocab::id id = 0; | |
| // | |
| // { | |
| // const int64_t t_start_sample_us = ggml_time_us(); | |
| // | |
| // id = gpt_sample_top_k_top_p(vocab, logits.data() + (logits.size() - n_vocab), top_k, top_p, temp, rng); | |
| // | |
| // t_sample_us += ggml_time_us() - t_start_sample_us; | |
| // } | |
| // | |
| // // add it to the context | |
| // embd.push_back(id); | |
| // } else { | |
| // // if here, it means we are still processing the input prompt | |
| // for (size_t k = i; k < embd_inp.size(); k++) { | |
| // embd.push_back(embd_inp[k]); | |
| // if (int32_t(embd.size()) >= params.n_batch) { | |
| // break; | |
| // } | |
| // } | |
| // i += embd.size() - 1; | |
| // } | |
| // | |
| // // display text | |
| // for (auto id : embd) { | |
| // printf("%s", vocab.id_to_token[id].c_str()); | |
| // } | |
| // fflush(stdout); | |
| // | |
| // // end of text token | |
| // if (embd.back() == 50256) { | |
| // // report timing | |
| // { | |
| // const int64_t t_main_end_us = ggml_time_us(); | |
| // | |
| // printf("\n\n"); | |
| // printf("%s: mem per token = %8zu bytes\n", __func__, mem_per_token); | |
| // printf("%s: load time = %8.2f ms\n", __func__, t_load_us/1000.0f); | |
| // printf("%s: sample time = %8.2f ms\n", __func__, t_sample_us/1000.0f); | |
| // printf("%s: predict time = %8.2f ms / %.2f ms per token\n", __func__, t_predict_us/1000.0f, t_predict_us/1000.0f/n_past); | |
| // printf("%s: total time = %8.2f ms\n", __func__, (t_main_end_us - t_main_start_us)/1000.0f); | |
| // } | |
| // break; | |
| // } | |
| // } | |
| // } | |
| // | |
| // ggml_free(model.ctx_w); | |
| // | |
| // return 0; | |
| //} | |