mirror of
https://github.com/ravenscroftj/turbopilot.git
synced 2024-10-01 01:06:01 -04:00
added support for gptneox models
This commit is contained in:
parent
d618fb1aec
commit
84869ff0f3
87
include/turbopilot/gptneox.hpp
Normal file
87
include/turbopilot/gptneox.hpp
Normal file
@ -0,0 +1,87 @@
|
|||||||
|
#ifndef __TURBOPILOT_GPTNEOX_H
|
||||||
|
#define __TURBOPILOT_GPTNEOX_H
|
||||||
|
|
||||||
|
#include <turbopilot/model.hpp>
|
||||||
|
|
||||||
|
#include <vector>
|
||||||
|
#include <map>
|
||||||
|
|
||||||
|
// default hparams (StableLM 3B)
|
||||||
|
struct gpt_neox_hparams {
|
||||||
|
int32_t n_vocab = 50257;
|
||||||
|
int32_t n_ctx = 4096;
|
||||||
|
int32_t n_embd = 4096;
|
||||||
|
int32_t n_head = 32;
|
||||||
|
int32_t n_layer = 16;
|
||||||
|
int32_t n_rot = 32; // rotary_pct * (n_embd / n_head)
|
||||||
|
int32_t par_res = 1; // 1 = true, 0 = false
|
||||||
|
int32_t ftype = 1;
|
||||||
|
};
|
||||||
|
|
||||||
|
struct gpt_neox_layer {
|
||||||
|
// pre normalization
|
||||||
|
struct ggml_tensor * ln_1_g;
|
||||||
|
struct ggml_tensor * ln_1_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;
|
||||||
|
|
||||||
|
// post normalization
|
||||||
|
struct ggml_tensor * ln_2_g;
|
||||||
|
struct ggml_tensor * ln_2_b;
|
||||||
|
|
||||||
|
// ff
|
||||||
|
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 gpt_neox_model {
|
||||||
|
gpt_neox_hparams hparams;
|
||||||
|
|
||||||
|
// normalization
|
||||||
|
struct ggml_tensor * ln_f_g;
|
||||||
|
struct ggml_tensor * ln_f_b;
|
||||||
|
|
||||||
|
struct ggml_tensor * wte; // position embedding
|
||||||
|
|
||||||
|
struct ggml_tensor * lmh_g; // language model head
|
||||||
|
//struct ggml_tensor * lmh_b; // language model bias
|
||||||
|
|
||||||
|
std::vector<gpt_neox_layer> layers;
|
||||||
|
|
||||||
|
// key + value memory
|
||||||
|
struct ggml_tensor * memory_k;
|
||||||
|
struct ggml_tensor * memory_v;
|
||||||
|
|
||||||
|
//
|
||||||
|
struct ggml_context * ctx;
|
||||||
|
std::map<std::string, struct ggml_tensor *> tensors;
|
||||||
|
};
|
||||||
|
|
||||||
|
|
||||||
|
class GPTNEOXModel : public TurbopilotModel {
|
||||||
|
|
||||||
|
public:
|
||||||
|
GPTNEOXModel(ModelConfig config, std::mt19937 &rng) : TurbopilotModel(config, rng){
|
||||||
|
this->model = new gpt_neox_model{};
|
||||||
|
this->vocab = new gpt_vocab{};
|
||||||
|
}
|
||||||
|
virtual ~GPTNEOXModel();
|
||||||
|
bool load_model(std::string path);
|
||||||
|
virtual std::stringstream predict(std::string prompt, int max_length, bool include_prompt);
|
||||||
|
|
||||||
|
private:
|
||||||
|
gpt_neox_model *model = NULL;
|
||||||
|
gpt_vocab *vocab = NULL;
|
||||||
|
|
||||||
|
|
||||||
|
};
|
||||||
|
|
||||||
|
#endif // __TURBOPILOT_GPTNEOX_H
|
@ -6,11 +6,13 @@ include_directories(${Boost_INCLUDE_DIRS})
|
|||||||
add_executable(${TURBOPILOT_TARGET}
|
add_executable(${TURBOPILOT_TARGET}
|
||||||
main.cpp
|
main.cpp
|
||||||
gptj.cpp
|
gptj.cpp
|
||||||
|
gptneox.cpp
|
||||||
common.cpp
|
common.cpp
|
||||||
server.cpp
|
server.cpp
|
||||||
starcoder.cpp
|
starcoder.cpp
|
||||||
../include/turbopilot/model.hpp
|
../include/turbopilot/model.hpp
|
||||||
../include/turbopilot/gptj.hpp
|
../include/turbopilot/gptj.hpp
|
||||||
|
../include/turbopilot/gptneox.hpp
|
||||||
../include/turbopilot/starcoder.hpp
|
../include/turbopilot/starcoder.hpp
|
||||||
)
|
)
|
||||||
|
|
||||||
|
707
src/gptneox.cpp
Normal file
707
src/gptneox.cpp
Normal file
@ -0,0 +1,707 @@
|
|||||||
|
#include <turbopilot/gptneox.hpp>
|
||||||
|
#include <spdlog/spdlog.h>
|
||||||
|
|
||||||
|
#include <ggml/ggml.h>
|
||||||
|
|
||||||
|
#include <cinttypes>
|
||||||
|
|
||||||
|
#include <iostream>
|
||||||
|
#include <fstream>
|
||||||
|
|
||||||
|
#if defined(_MSC_VER)
|
||||||
|
#pragma warning(disable: 4244 4267) // possible loss of data
|
||||||
|
#endif
|
||||||
|
|
||||||
|
|
||||||
|
// feed-forward network
|
||||||
|
ggml_tensor * gpt_neox_ff(
|
||||||
|
const gpt_neox_layer &layer,
|
||||||
|
ggml_context * ctx0,
|
||||||
|
ggml_tensor * inp) {
|
||||||
|
ggml_tensor * cur = ggml_norm(ctx0, inp);
|
||||||
|
|
||||||
|
cur = ggml_add(ctx0,
|
||||||
|
ggml_mul(ctx0,
|
||||||
|
ggml_repeat(ctx0, layer.ln_2_g, cur),
|
||||||
|
cur),
|
||||||
|
ggml_repeat(ctx0, layer.ln_2_b, cur));
|
||||||
|
|
||||||
|
cur = ggml_mul_mat(ctx0,
|
||||||
|
layer.c_mlp_fc_w,
|
||||||
|
cur);
|
||||||
|
|
||||||
|
cur = ggml_add(ctx0,
|
||||||
|
ggml_repeat(ctx0, layer.c_mlp_fc_b, cur),
|
||||||
|
cur);
|
||||||
|
|
||||||
|
// GELU activation
|
||||||
|
cur = ggml_gelu(ctx0, cur);
|
||||||
|
|
||||||
|
// projection
|
||||||
|
// cur = proj_w*cur + proj_b
|
||||||
|
cur = ggml_mul_mat(ctx0,
|
||||||
|
layer.c_mlp_proj_w,
|
||||||
|
cur);
|
||||||
|
|
||||||
|
cur = ggml_add(ctx0,
|
||||||
|
ggml_repeat(ctx0, layer.c_mlp_proj_b, cur),
|
||||||
|
cur);
|
||||||
|
return cur;
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
// 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 gpt_neox_eval(
|
||||||
|
const gpt_neox_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;
|
||||||
|
const int n_rot = hparams.n_rot;
|
||||||
|
|
||||||
|
static size_t buf_size = 256u*1024*1024;
|
||||||
|
static void * buf = malloc(buf_size);
|
||||||
|
|
||||||
|
// use 2 scratch buffers
|
||||||
|
// TODO: very hacky solution - reimplement in a more elegant way
|
||||||
|
static size_t scr0_size = 256u*1024*1024;
|
||||||
|
static void * scr0 = malloc(scr0_size);
|
||||||
|
|
||||||
|
static size_t scr1_size = 256u*1024*1024;
|
||||||
|
static void * scr1 = malloc(scr1_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 = {};
|
||||||
|
|
||||||
|
struct ggml_tensor * embd = ggml_new_tensor_1d(ctx0, GGML_TYPE_I32, N);
|
||||||
|
memcpy(embd->data, embd_inp.data(), N*ggml_element_size(embd));
|
||||||
|
|
||||||
|
// wte
|
||||||
|
struct ggml_tensor * inpL = ggml_get_rows(ctx0, model.wte, embd);
|
||||||
|
|
||||||
|
for (int il = 0; il < n_layer; ++il) {
|
||||||
|
struct ggml_tensor * cur;
|
||||||
|
|
||||||
|
ggml_set_scratch(ctx0, { 0, scr0_size, scr0, });
|
||||||
|
|
||||||
|
// self-attention
|
||||||
|
{
|
||||||
|
{
|
||||||
|
cur = ggml_norm(ctx0, inpL);
|
||||||
|
|
||||||
|
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));
|
||||||
|
}
|
||||||
|
|
||||||
|
// compute QKV
|
||||||
|
{
|
||||||
|
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);
|
||||||
|
}
|
||||||
|
|
||||||
|
struct ggml_tensor * Qcur = ggml_cont(ctx0, ggml_view_3d(ctx0, cur, n_embd/n_head, n_head, N, cur->nb[1]/n_head, cur->nb[1], 0*sizeof(float)*n_embd/n_head));
|
||||||
|
struct ggml_tensor * Kcur = ggml_cont(ctx0, ggml_view_3d(ctx0, cur, n_embd/n_head, n_head, N, cur->nb[1]/n_head, cur->nb[1], 1*sizeof(float)*n_embd/n_head));
|
||||||
|
struct ggml_tensor * Vcur = ggml_cont(ctx0, ggml_view_3d(ctx0, cur, n_embd/n_head, n_head, N, cur->nb[1]/n_head, cur->nb[1], 2*sizeof(float)*n_embd/n_head));
|
||||||
|
|
||||||
|
// using mode = 2 for GPT-NeoX mode
|
||||||
|
Qcur = ggml_rope_inplace(ctx0, Qcur, n_past, n_rot, 2, 0);
|
||||||
|
Kcur = ggml_rope_inplace(ctx0, Kcur, n_past, n_rot, 2, 0);
|
||||||
|
|
||||||
|
// store key and value to memory
|
||||||
|
{
|
||||||
|
Vcur = ggml_transpose(ctx0, ggml_reshape_2d(ctx0, Vcur, n_embd, N));
|
||||||
|
|
||||||
|
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_2d(ctx0, model.memory_v, N, n_embd,
|
||||||
|
( n_ctx)*ggml_element_size(model.memory_v),
|
||||||
|
(il*n_ctx)*ggml_element_size(model.memory_v)*n_embd + n_past*ggml_element_size(model.memory_v));
|
||||||
|
|
||||||
|
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)
|
||||||
|
struct ggml_tensor * Q =
|
||||||
|
ggml_permute(ctx0,
|
||||||
|
Qcur,
|
||||||
|
0, 2, 1, 3);
|
||||||
|
|
||||||
|
// K = Kmem.view(n_embd/n_head, n_head, n_past + N).permute(0, 2, 1, 3)
|
||||||
|
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);
|
||||||
|
|
||||||
|
// K * Q
|
||||||
|
struct ggml_tensor * KQ = ggml_mul_mat(ctx0, K, Q);
|
||||||
|
|
||||||
|
// KQ_scaled = KQ / sqrt(n_embd/n_head)
|
||||||
|
struct ggml_tensor * KQ_scaled =
|
||||||
|
ggml_scale_inplace(ctx0,
|
||||||
|
KQ,
|
||||||
|
ggml_new_f32(ctx0, 1.0f/sqrt(float(n_embd)/n_head))
|
||||||
|
);
|
||||||
|
|
||||||
|
// KQ_masked = mask_past(KQ_scaled)
|
||||||
|
struct ggml_tensor * KQ_masked = ggml_diag_mask_inf_inplace(ctx0, KQ_scaled, n_past);
|
||||||
|
|
||||||
|
// KQ = soft_max(KQ_masked)
|
||||||
|
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()
|
||||||
|
struct ggml_tensor * V =
|
||||||
|
ggml_view_3d(ctx0, model.memory_v,
|
||||||
|
n_past + N, n_embd/n_head, n_head,
|
||||||
|
n_ctx*ggml_element_size(model.memory_v),
|
||||||
|
n_ctx*ggml_element_size(model.memory_v)*n_embd/n_head,
|
||||||
|
il*n_ctx*ggml_element_size(model.memory_v)*n_embd);
|
||||||
|
|
||||||
|
// KQV = transpose(V) * KQ_soft_max
|
||||||
|
struct ggml_tensor * KQV = ggml_mul_mat(ctx0, V, KQ_soft_max);
|
||||||
|
|
||||||
|
// KQV_merged = KQV.permute(0, 2, 1, 3)
|
||||||
|
struct ggml_tensor * KQV_merged = ggml_permute(ctx0, KQV, 0, 2, 1, 3);
|
||||||
|
|
||||||
|
// cur = KQV_merged.contiguous().view(n_embd, N)
|
||||||
|
cur = ggml_cpy(ctx0,
|
||||||
|
KQV_merged,
|
||||||
|
ggml_new_tensor_2d(ctx0, GGML_TYPE_F32, n_embd, N));
|
||||||
|
|
||||||
|
// projection
|
||||||
|
{
|
||||||
|
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);
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
ggml_set_scratch(ctx0, { 0, scr1_size, scr1, });
|
||||||
|
|
||||||
|
if (hparams.par_res == 0) {
|
||||||
|
struct ggml_tensor * inpFF = ggml_add(ctx0, cur, inpL);
|
||||||
|
|
||||||
|
cur = gpt_neox_ff(model.layers[il], ctx0, inpFF);
|
||||||
|
|
||||||
|
// input for next layer
|
||||||
|
inpL = ggml_add(ctx0, cur, inpFF);
|
||||||
|
} else {
|
||||||
|
struct ggml_tensor * inpFF = cur;
|
||||||
|
|
||||||
|
// this is independent of the self-attention result, so it could be done in parallel to the self-attention
|
||||||
|
// note here we pass inpL instead of cur
|
||||||
|
cur = gpt_neox_ff(model.layers[il], ctx0, inpL);
|
||||||
|
|
||||||
|
// layer input + FF
|
||||||
|
cur = ggml_add(ctx0, cur, inpFF);
|
||||||
|
|
||||||
|
// input for next layer
|
||||||
|
inpL = ggml_add(ctx0, cur, inpL);
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
ggml_set_scratch(ctx0, { 0, scr0_size, scr0, });
|
||||||
|
|
||||||
|
// norm
|
||||||
|
{
|
||||||
|
inpL = ggml_norm(ctx0, inpL);
|
||||||
|
|
||||||
|
// inpL = ln_f_g*inpL + ln_f_b
|
||||||
|
inpL = ggml_add(ctx0,
|
||||||
|
ggml_mul(ctx0,
|
||||||
|
ggml_repeat(ctx0, model.ln_f_g, inpL),
|
||||||
|
inpL),
|
||||||
|
ggml_repeat(ctx0, model.ln_f_b, inpL));
|
||||||
|
}
|
||||||
|
|
||||||
|
ggml_set_scratch(ctx0, { 0, 0, nullptr, });
|
||||||
|
|
||||||
|
// lm_head
|
||||||
|
{
|
||||||
|
inpL = ggml_mul_mat(ctx0, model.lmh_g, inpL);
|
||||||
|
|
||||||
|
//inpL = ggml_add(ctx0,
|
||||||
|
// ggml_repeat(ctx0, model.lmh_b, inpL),
|
||||||
|
// 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 for just 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;
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
GPTNEOXModel::~GPTNEOXModel(){
|
||||||
|
ggml_free(model->ctx);
|
||||||
|
free(model);
|
||||||
|
free(vocab);
|
||||||
|
}
|
||||||
|
|
||||||
|
bool GPTNEOXModel::load_model(std::string fname) {
|
||||||
|
printf("%s: loading model from '%s' - please wait ...\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.n_rot, sizeof(hparams.n_rot));
|
||||||
|
fin.read((char *) &hparams.par_res, sizeof(hparams.par_res));
|
||||||
|
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: n_rot = %d\n", __func__, hparams.n_rot);
|
||||||
|
printf("%s: par_res = %d\n", __func__, hparams.par_res);
|
||||||
|
printf("%s: ftype = %d\n", __func__, hparams.ftype);
|
||||||
|
printf("%s: qntvr = %d\n", __func__, qntvr);
|
||||||
|
|
||||||
|
hparams.ftype %= GGML_QNT_VERSION_FACTOR;
|
||||||
|
}
|
||||||
|
|
||||||
|
// load vocab
|
||||||
|
{
|
||||||
|
const int32_t n_vocab = model->hparams.n_vocab;
|
||||||
|
|
||||||
|
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;
|
||||||
|
|
||||||
|
size_t ctx_size = 0;
|
||||||
|
|
||||||
|
{
|
||||||
|
const auto & hparams = model->hparams;
|
||||||
|
|
||||||
|
const size_t n_embd = hparams.n_embd;
|
||||||
|
const size_t n_layer = hparams.n_layer;
|
||||||
|
const size_t n_ctx = hparams.n_ctx;
|
||||||
|
const size_t n_vocab = hparams.n_vocab;
|
||||||
|
|
||||||
|
ctx_size += n_embd*ggml_type_sizef(GGML_TYPE_F32); // ln_f_g
|
||||||
|
ctx_size += n_embd*ggml_type_sizef(GGML_TYPE_F32); // ln_f_b
|
||||||
|
|
||||||
|
ctx_size += n_embd*n_vocab*ggml_type_sizef(wtype); // wte
|
||||||
|
|
||||||
|
ctx_size += n_embd*n_vocab*ggml_type_sizef(wtype); // lmh_g
|
||||||
|
//ctx_size += n_vocab*ggml_type_sizef(GGML_TYPE_F32); // lmh_b
|
||||||
|
|
||||||
|
ctx_size += n_layer*(n_embd*ggml_type_sizef(GGML_TYPE_F32)); // ln_1_g
|
||||||
|
ctx_size += n_layer*(n_embd*ggml_type_sizef(GGML_TYPE_F32)); // ln_1_b
|
||||||
|
|
||||||
|
ctx_size += n_layer*(3*n_embd*n_embd*ggml_type_sizef(wtype)); // c_attn_attn_w
|
||||||
|
ctx_size += n_layer*( 3*n_embd*ggml_type_sizef(GGML_TYPE_F32)); // c_attn_attn_b
|
||||||
|
|
||||||
|
ctx_size += n_layer*(n_embd*n_embd*ggml_type_sizef(wtype)); // c_attn_proj_w
|
||||||
|
ctx_size += n_layer*(n_embd*n_embd*ggml_type_sizef(GGML_TYPE_F32)); // c_attn_proj_b
|
||||||
|
|
||||||
|
ctx_size += n_layer*(n_embd*ggml_type_sizef(GGML_TYPE_F32)); // ln_2_g
|
||||||
|
ctx_size += n_layer*(n_embd*ggml_type_sizef(GGML_TYPE_F32)); // ln_2_b
|
||||||
|
|
||||||
|
ctx_size += n_layer*(4*n_embd*n_embd*ggml_type_sizef(wtype)); // c_mlp_fc_w
|
||||||
|
ctx_size += n_layer*( 4*n_embd*ggml_type_sizef(GGML_TYPE_F32)); // c_mlp_fc_b
|
||||||
|
|
||||||
|
ctx_size += n_layer*(4*n_embd*n_embd*ggml_type_sizef(wtype)); // c_mlp_proj_w
|
||||||
|
ctx_size += n_layer*( n_embd*ggml_type_sizef(GGML_TYPE_F32)); // c_mlp_proj_b
|
||||||
|
|
||||||
|
ctx_size += n_ctx*n_layer*n_embd*ggml_type_sizef(GGML_TYPE_F32); // memory_k
|
||||||
|
ctx_size += n_ctx*n_layer*n_embd*ggml_type_sizef(GGML_TYPE_F32); // memory_v
|
||||||
|
|
||||||
|
ctx_size += (6 + 16*n_layer)*1024; // object overhead
|
||||||
|
|
||||||
|
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 = ggml_init(params);
|
||||||
|
if (!model->ctx) {
|
||||||
|
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_vocab = hparams.n_vocab;
|
||||||
|
|
||||||
|
model->layers.resize(n_layer);
|
||||||
|
|
||||||
|
model->wte = ggml_new_tensor_2d(ctx, wtype, n_embd, n_vocab);
|
||||||
|
|
||||||
|
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->lmh_g = ggml_new_tensor_2d(ctx, wtype, n_embd, n_vocab);
|
||||||
|
//model->lmh_b = ggml_new_tensor_1d(ctx, GGML_TYPE_F32, n_vocab);
|
||||||
|
|
||||||
|
// map by name
|
||||||
|
model->tensors["gpt_neox.embed_in.weight"] = model->wte;
|
||||||
|
|
||||||
|
model->tensors["gpt_neox.final_layer_norm.weight"] = model->ln_f_g;
|
||||||
|
model->tensors["gpt_neox.final_layer_norm.bias"] = model->ln_f_b;
|
||||||
|
|
||||||
|
model->tensors["embed_out.weight"] = model->lmh_g;
|
||||||
|
//model->tensors["lm_head.bias"] = model->lmh_b;
|
||||||
|
|
||||||
|
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.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.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_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["gpt_neox.layers." + std::to_string(i) + ".input_layernorm.weight"] = layer.ln_1_g;
|
||||||
|
model->tensors["gpt_neox.layers." + std::to_string(i) + ".input_layernorm.bias"] = layer.ln_1_b;
|
||||||
|
|
||||||
|
model->tensors["gpt_neox.layers." + std::to_string(i) + ".attention.query_key_value.weight"] = layer.c_attn_attn_w;
|
||||||
|
model->tensors["gpt_neox.layers." + std::to_string(i) + ".attention.query_key_value.bias"] = layer.c_attn_attn_b;
|
||||||
|
|
||||||
|
model->tensors["gpt_neox.layers." + std::to_string(i) + ".attention.dense.weight"] = layer.c_attn_proj_w;
|
||||||
|
model->tensors["gpt_neox.layers." + std::to_string(i) + ".attention.dense.bias"] = layer.c_attn_proj_b;
|
||||||
|
|
||||||
|
model->tensors["gpt_neox.layers." + std::to_string(i) + ".post_attention_layernorm.weight"] = layer.ln_2_g;
|
||||||
|
model->tensors["gpt_neox.layers." + std::to_string(i) + ".post_attention_layernorm.bias"] = layer.ln_2_b;
|
||||||
|
|
||||||
|
model->tensors["gpt_neox.layers." + std::to_string(i) + ".mlp.dense_h_to_4h.weight"] = layer.c_mlp_fc_w;
|
||||||
|
model->tensors["gpt_neox.layers." + std::to_string(i) + ".mlp.dense_h_to_4h.bias"] = layer.c_mlp_fc_b;
|
||||||
|
|
||||||
|
model->tensors["gpt_neox.layers." + std::to_string(i) + ".mlp.dense_4h_to_h.weight"] = layer.c_mlp_proj_w;
|
||||||
|
model->tensors["gpt_neox.layers." + std::to_string(i) + ".mlp.dense_4h_to_h.bias"] = 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 int64_t n_mem = n_layer*n_ctx;
|
||||||
|
const int64_t n_elements = n_embd*n_mem;
|
||||||
|
|
||||||
|
model->memory_k = ggml_new_tensor_1d(ctx, GGML_TYPE_F16, n_elements);
|
||||||
|
model->memory_v = ggml_new_tensor_1d(ctx, GGML_TYPE_F16, 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 = %" PRId64 "\n", __func__, memory_size/1024.0/1024.0, n_mem);
|
||||||
|
}
|
||||||
|
|
||||||
|
// load weights
|
||||||
|
{
|
||||||
|
int n_tensors = 0;
|
||||||
|
size_t total_size = 0;
|
||||||
|
|
||||||
|
printf("%s: ", __func__);
|
||||||
|
|
||||||
|
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.data()) == model->tensors.end()) {
|
||||||
|
fprintf(stderr, "%s: unknown tensor '%s' in model file\n", __func__, name.data());
|
||||||
|
return false;
|
||||||
|
}
|
||||||
|
|
||||||
|
auto tensor = model->tensors[name.data()];
|
||||||
|
if (ggml_nelements(tensor) != nelements) {
|
||||||
|
fprintf(stderr, "%s: tensor '%s' has wrong size in model file\n", __func__, name.data());
|
||||||
|
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 [%5d, %5d], expected [%5d, %5d]\n",
|
||||||
|
__func__, name.data(), (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.data(), 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.data(), ggml_nbytes(tensor), nelements*bpe);
|
||||||
|
return false;
|
||||||
|
}
|
||||||
|
|
||||||
|
fin.read(reinterpret_cast<char *>(tensor->data), ggml_nbytes(tensor));
|
||||||
|
|
||||||
|
total_size += ggml_nbytes(tensor);
|
||||||
|
if (++n_tensors % 8 == 0) {
|
||||||
|
printf(".");
|
||||||
|
fflush(stdout);
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
printf(" done\n");
|
||||||
|
|
||||||
|
printf("%s: model size = %8.2f MB / num tensors = %d\n", __func__, total_size/1024.0/1024.0, n_tensors);
|
||||||
|
}
|
||||||
|
|
||||||
|
fin.close();
|
||||||
|
|
||||||
|
return true;
|
||||||
|
}
|
||||||
|
|
||||||
|
std::stringstream GPTNEOXModel::predict(std::string prompt, int max_length, bool include_prompt) {
|
||||||
|
|
||||||
|
std::stringstream result;
|
||||||
|
// tokenize the prompt
|
||||||
|
std::vector<gpt_vocab::id> embd_inp = ::gpt_tokenize((*vocab), prompt);
|
||||||
|
|
||||||
|
auto END_TOKEN_ID = vocab->token_to_id["<|endoftext|>"];
|
||||||
|
|
||||||
|
int n_past = 0;
|
||||||
|
|
||||||
|
int64_t t_sample_us = 0;
|
||||||
|
int64_t t_predict_us = 0;
|
||||||
|
|
||||||
|
int n_predict = std::min(max_length, model->hparams.n_ctx - (int) embd_inp.size());
|
||||||
|
|
||||||
|
spdlog::debug("{}: number of tokens in prompt = {}", __func__, embd_inp.size());
|
||||||
|
|
||||||
|
std::vector<gpt_vocab::id> embd;
|
||||||
|
|
||||||
|
// determine the required inference memory per token:
|
||||||
|
size_t mem_per_token = 0;
|
||||||
|
|
||||||
|
std::vector<float> logits;
|
||||||
|
|
||||||
|
gpt_neox_eval((*model), config.n_threads, 0, { 0, 1, 2, 3 }, logits, mem_per_token);
|
||||||
|
|
||||||
|
for (int i = embd.size(); i < embd_inp.size() + n_predict; i++) {
|
||||||
|
// predict
|
||||||
|
if (embd.size() > 0) {
|
||||||
|
const int64_t t_start_us = ggml_time_us();
|
||||||
|
|
||||||
|
if (!gpt_neox_eval((*model), config.n_threads, n_past, embd, logits, mem_per_token)) {
|
||||||
|
throw std::runtime_error("Failed to predict");
|
||||||
|
}
|
||||||
|
|
||||||
|
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 = config.top_k;
|
||||||
|
const float top_p = config.top_p;
|
||||||
|
const float temp = config.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);
|
||||||
|
|
||||||
|
// do not actually add endoftext char to the end string
|
||||||
|
if(id != END_TOKEN_ID){
|
||||||
|
result << vocab->id_to_token[id].c_str();
|
||||||
|
}
|
||||||
|
|
||||||
|
} else {
|
||||||
|
// if here, it means we are still processing the input prompt
|
||||||
|
for (int k = i; k < embd_inp.size(); k++) {
|
||||||
|
embd.push_back(embd_inp[k]);
|
||||||
|
|
||||||
|
if(include_prompt){
|
||||||
|
result << vocab->id_to_token[embd_inp[k]].c_str();
|
||||||
|
}
|
||||||
|
|
||||||
|
if (embd.size() > config.n_batch) {
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
i += embd.size() - 1;
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
// end of text token
|
||||||
|
//if (embd.back() == 50256) {
|
||||||
|
if(embd.back() == END_TOKEN_ID){
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
return result;
|
||||||
|
}
|
@ -11,6 +11,7 @@
|
|||||||
#include "turbopilot/model.hpp"
|
#include "turbopilot/model.hpp"
|
||||||
#include "turbopilot/starcoder.hpp"
|
#include "turbopilot/starcoder.hpp"
|
||||||
#include "turbopilot/gptj.hpp"
|
#include "turbopilot/gptj.hpp"
|
||||||
|
#include "turbopilot/gptneox.hpp"
|
||||||
#include "turbopilot/server.hpp"
|
#include "turbopilot/server.hpp"
|
||||||
|
|
||||||
int main(int argc, char **argv)
|
int main(int argc, char **argv)
|
||||||
@ -23,7 +24,7 @@ int main(int argc, char **argv)
|
|||||||
.required();
|
.required();
|
||||||
|
|
||||||
program.add_argument("-m", "--model-type")
|
program.add_argument("-m", "--model-type")
|
||||||
.help("The type of model to load. Can be codegen,starcoder,wizardcoder")
|
.help("The type of model to load. Can be codegen,starcoder,wizardcoder,stablecode")
|
||||||
.default_value("codegen");
|
.default_value("codegen");
|
||||||
|
|
||||||
program.add_argument("-t", "--threads")
|
program.add_argument("-t", "--threads")
|
||||||
@ -76,6 +77,9 @@ int main(int argc, char **argv)
|
|||||||
}else if(model_type.compare("starcoder") == 0 || model_type.compare("wizardcoder") == 0){
|
}else if(model_type.compare("starcoder") == 0 || model_type.compare("wizardcoder") == 0){
|
||||||
spdlog::info("Initializing Starcoder/Wizardcoder type model for '{}' model type", model_type);
|
spdlog::info("Initializing Starcoder/Wizardcoder type model for '{}' model type", model_type);
|
||||||
model = new StarcoderModel(config, rng);
|
model = new StarcoderModel(config, rng);
|
||||||
|
}else if(model_type.compare("stablecode") == 0){
|
||||||
|
spdlog::info("Initializing StableLM type model for '{}' model type", model_type);
|
||||||
|
model = new GPTNEOXModel(config, rng);
|
||||||
}else{
|
}else{
|
||||||
spdlog::error("Invalid model type: {}", model_type);
|
spdlog::error("Invalid model type: {}", model_type);
|
||||||
}
|
}
|
||||||
|
Loading…
Reference in New Issue
Block a user