GPTをゼロから構築する完全ガイド - Transformerアーキテクチャの実装と解説¶

import torch
import torch.nn as nn
import torch.nn.functional as F
import numpy as np
import matplotlib.pyplot as plt
from torch.utils.data import DataLoader, Dataset

# GPU利用可能性の確認
device = 'cuda' if torch.cuda.is_available() else 'mps' if torch.mps.is_available() else 'cpu'
print(f"使用デバイス: {device}")

# データセットのダウンロード
!wget https://raw.githubusercontent.com/karpathy/char-rnn/master/data/tinyshakespeare/input.txt

# テキストファイルの読み込みと基本情報確認
with open("input.txt", 'r', encoding='utf-8') as f:
    text = f.read()

print("length of dataset in characters: ", len(text))

# 最初の1000文字を確認してデータの内容を把握
print(text[:1000])

# データセット内の全ユニーク文字の抽出と語彙構築
chars = sorted(list(set(text)))
vocab_size = len(chars)
print(''.join(chars))
print(vocab_size)

# 文字→整数、整数→文字のマッピング辞書を作成
stoi = { ch:i for i, ch in enumerate(chars)}
print(stoi)
itos = { i:ch for i, ch in enumerate(chars)}
print(itos)

# エンコーダー関数: 文字列を整数リストに変換
encode = lambda s: [stoi[c] for c in s]
# デコーダー関数: 整数リストを文字列に変換
decode = lambda l: ''.join([itos[i] for i in l])

print(encode("hii there"))
print(decode(encode("hii there")))

# 全テキストデータをPyTorchテンソルに変換
import torch
data = torch.tensor(encode(text), dtype=torch.long)

print(data.shape, data.dtype)
print(data[:100])  # 最初の100文字の数値表現を確認

# データを訓練用（90%）と検証用（10%）に分割
n = int(0.9*len(data))
train_data = data[:n]
val_data = data[n:]

block_size = 8
train_data[:block_size + 1]

# 単一のチャンクから複数の訓練例を生成する仕組みを確認
x = train_data[:block_size]
y = train_data[1:block_size+1]
print(y)
for t in range(block_size):
    context = x[:t+1]
    target = y[t]
    print(f"{t}. when input is {context} the target: {target}")

torch.manual_seed(1337)  # 乱数シードを固定して再現性を確保
batch_size = 4           # バッチサイズ（同時に処理するデータ数）
block_size = 8           # 1サンプルのコンテキスト長（トークン数）

def get_batch(split):
    # データセットの選択：trainまたはvalidation
    data = train_data if split == 'train' else val_data

    # ランダムな開始位置を生成（batch_size個）
    # len(data) - block_sizeにすることで、境界オーバーを防ぐ
    ix = torch.randint(len(data) - block_size, (batch_size,))  

    # 入力シーケンス（x）：各開始位置からblock_size分のデータを取得
    x = torch.stack([data[i:i+block_size] for i in ix]) 

    # ターゲットシーケンス（y）：xより1つずつ後ろにシフトしたデータ
    y = torch.stack([data[i+1:i+block_size+1] for i in ix])  

    return x, y  # (batch_size, block_size)の形状で返す

xb, yb = get_batch("train")  # 訓練データからバッチを取得

print("inputs")
print(xb.shape)              # 入力テンソルの形状を表示
print(xb)                    # 入力テンソルの内容を表示
print("targets")
print(yb.shape)              # ターゲットテンソルの形状を表示
print(yb)                    # ターゲットテンソルの内容を表示

print("--------")

# 各バッチ・各時刻ごとに、与えられたコンテキストとターゲットを表示
for b in range(batch_size): # バッチ次元
    for t in range(block_size): # 時系列次元
        context = xb[b, :t+1]   # t時点までのコンテキスト
        target = yb[b, t]       # 予測すべきターゲット
        print(f"when input is {context.tolist()} the target: {target}")

print(xb) # Transformerへの入力データ

import torch
import torch.nn as nn
from torch.nn import functional as F
torch.manual_seed(1337)

class BigramLanguageModel(nn.Module):
    def __init__(self, vocab_size):
        super().__init__()
        # 各トークンは埋め込み層から次のトークンのロジットを直接読み取る
        self.token_embedding_table = nn.Embedding(vocab_size, vocab_size)

    def forward(self, idx, targets=None):
        # idxとtargetsはどちらも整数の(B, T)テンソル
        logits = self.token_embedding_table(idx) # (B, T, C)

        if targets is None:
            loss = None
        else:
            B, T, C = logits.shape
            logits = logits.view(B*T, C)
            targets = targets.view(B*T)
            loss = F.cross_entropy(logits, targets)

        return logits, loss

    def generate(self, idx, max_new_tokens):
        # idxは現在のコンテキストのインデックスの(B, T)配列
        for _ in range(max_new_tokens):
            # 予測を取得
            logits, loss = self(idx)
            # 最後の時間ステップにのみ焦点を当てる
            logits = logits[:, -1, :] # (B, C)になる
            # softmaxを適用して確率を取得
            probs = F.softmax(logits, dim=-1) # (B, C)
            # 分布からサンプル
            idx_next = torch.multinomial(probs, num_samples=1) # (B, 1)
            # サンプルされたインデックスを実行シーケンスに追加
            idx = torch.cat((idx, idx_next), dim=1) # (B, T+1)
        return idx

print(f"inputs: {xb.shape}") # 入力テンソルの形状を表示
print(f"targets: {yb.shape}") # ターゲットテンソルの形状を表示
model = BigramLanguageModel(vocab_size)
logits, loss = model(xb, yb)
print(logits.shape)
print(loss)

print(decode(model.generate(idx = torch.zeros((1, 1), dtype=torch.long), max_new_tokens=100)[0].tolist()))

# PyTorchオプティマイザの作成
optimizer = torch.optim.AdamW(model.parameters(), lr=1e-3)

# 訓練ループの実行
batch_size = 32
for steps in range(5000): # より良い結果を得るにはステップ数を増やす...
    # データのバッチをサンプル
    xb, yb = get_batch("train")

    # 損失を評価
    logits, loss = model(xb, yb)
    optimizer.zero_grad(set_to_none=True)
    loss.backward()
    optimizer.step()

print(f"loss: {loss.item()}")

print(decode(model.generate(idx = torch.zeros((1, 1), dtype=torch.long), max_new_tokens=500)[0].tolist()))

# 行列乗算が「重み付き集約」にどのように使用されるかを示すトイ例
torch.manual_seed(42)
a_original = torch.tril(torch.ones(3,3))
a = a_original / torch.sum(a_original, 1, keepdim=True)
b = torch.randint(0,10,(3,2)).float()
c = a @ b
print("a_original=")
print(a_original)
print(f"a={a}")
print(f"b={b}")
print(f"c={c}")

# 以下のトイ例を考えてみましょう：
torch.manual_seed(1337)
B,T,C = 4,8,2 # バッチ、時間、チャンネル
x = torch.randn(B,T,C)
print(x.shape)
print(x[0])
print(x[0, :2])

# x[b,t] = mean_{i<=t} x[b,i] を実現したい
xbow = torch.zeros((B,T,C))
for b in range(B):
    for t in range(T):
        xprev = x[b, :t+1] # (t,C)
        xbow[b,t] = torch.mean(xprev, 0)

print(xbow.shape)
print(xbow[0])

# バージョン2: 重み付き集約に行列乗算を使用
wei = torch.tril(torch.ones(T,T))
wei = wei / wei.sum(1, keepdim=True)
xbow2 = wei @ x # (B,T,T)@(B,T,C)----> (B,T,C)
print(torch.allclose(xbow, xbow2))

print(xbow2[0])

# バージョン3: Softmaxを使用
tril = torch.tril(torch.ones(T,T))
wei = torch.zeros(T,T)
wei = wei.masked_fill(tril == 0, float('-inf'))
wei = F.softmax(wei, dim=1)
xbow3 = wei @ x
print(torch.allclose(xbow,xbow3))
print(xbow3[0])

# バージョン4: セルフアテンション！
torch.manual_seed(1337)
B,T,C = 4,8,32 # バッチ、時間、チャンネル
x = torch.randn(B,T,C)

# 単一のヘッドでセルフアテンションを実行してみよう
head_size = 16
key = nn.Linear(C, head_size, bias=False)
query = nn.Linear(C, head_size, bias=False)
value = nn.Linear(C, head_size, bias=False)
k = key(x) # (B, T, 16)
q = query(x) # (B, T, 16)
wei = q @ k.transpose(-2, -1) # (B, T, 16)@(B, 16, T) ---> (B, T, T)

tril = torch.tril(torch.ones(T, T))
# wei = torch.zeros((T,T))
wei = wei.masked_fill(tril == 0, float('-inf'))
wei = F.softmax(wei, dim=-1) # [4, 8, 8]

v = value(x) # [4, 8, 16]
out = wei @ v #  [4, 8, 8]@ [4, 8, 16] -> [4, 8, 16]

wei[0]

import torch
import torch.nn as nn
from torch.nn import functional as F

# ハイパーパラメータの設定
batch_size = 16 # 並列処理する独立シーケンスの数
block_size = 32 # 予測のための最大コンテキスト長
max_iters = 5000
eval_interval = 100
learning_rate = 1e-3
device = 'mps' if torch.mps.is_available() else 'cpu'
eval_iters = 200
n_embd = 64
n_head = 4
n_layer = 4
dropout = 0.0

torch.manual_seed(1337)

def get_batch(split):
    # データセットの選択：trainまたはvalidation
    data = train_data if split == 'train' else val_data

    # ランダムな開始位置を生成（batch_size個）
    # len(data) - block_sizeにすることで、境界オーバーを防ぐ
    ix = torch.randint(len(data) - block_size, (batch_size,))  

    # 入力シーケンス（x）：各開始位置からblock_size分のデータを取得
    x = torch.stack([data[i:i+block_size] for i in ix]) 

    # ターゲットシーケンス（y）：xより1つずつ後ろにシフトしたデータ
    y = torch.stack([data[i+1:i+block_size+1] for i in ix])  
    x, y = x.to(device), y.to(device)
    return x, y  # (batch_size, block_size)の形状で返す

class Head(nn.Module):
    """一つの自己注意ヘッド"""

    def __init__(self,head_size):
        super().__init__()
        self.key = nn.Linear(n_embd, head_size, bias=False)
        self.value = nn.Linear(n_embd, head_size, bias=False)
        self.query = nn.Linear(n_embd, head_size, bias=False)
        self.register_buffer('tril', torch.tril(torch.ones(block_size, block_size)))

        self.dropout = nn.Dropout(dropout)

    def forward(self, x):
        # サイズ(batch, time-step, channels)の入力
        # サイズ(batch, time-step, head size)の出力
        B, T, C = x.shape
        k = self.key(x) # (B, T, hs)
        q = self.query(x) # (B, T, hs)
        # アテンションスコア（「アフィニティ」）を計算
        wei = q @ k.transpose(-2, -1) * k.shape[-1]**-0.5 # (B, T, hs) -> (B, T, T)
        wei = wei.masked_fill(self.tril[:T, :T] == 0, float('-inf')) # (B, T, T)
        wei = F.softmax(wei, dim=-1) # (B, T, T)
        wei = self.dropout(wei)
        # バリューの重み付き集約を実行
        v = self.value(x) # (B, T, hs)
        out = wei @ v # (B, T, T) @ (B, T, hs) -> (B, T, hs)
        return out

class MultiHeadAttention(nn.Module):
    """複数の自己注意ヘッドを並列実行"""

    def __init__(self, num_heads, head_size):
        super().__init__()
        self.heads = nn.ModuleList([Head(head_size) for _ in range(num_heads)])
        self.proj = nn.Linear(head_size * num_heads, n_embd)
        self.dropout = nn.Dropout(dropout)

    def forward(self, x):
        out = torch.cat([h(x) for h in self.heads], dim=-1)
        out = self.dropout(self.proj(out))
        return out

class FeedFoward(nn.Module):
    """非線形性を伴うシンプルな線形層"""

    def __init__(self, n_embd):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(n_embd, 4 * n_embd),
            nn.ReLU(),
            nn.Linear(4 * n_embd, n_embd),
            nn.Dropout(dropout)
        )

    def forward(self, x):
        return self.net(x)

class Block(nn.Module):
    """Transformerブロック: 通信の後に計算を行う"""

    def __init__(self, n_embd, n_head):
        # n_embd: 埋め込み次元, n_head: 使用したいヘッド数
        super().__init__()
        head_size = n_embd // n_head
        self.sa = MultiHeadAttention(n_head, head_size)
        self.ffwd = FeedFoward(n_embd)
        self.ln1 = nn.LayerNorm(n_embd)
        self.ln2 = nn.LayerNorm(n_embd)

    def forward(self, x):
        # 残差接続
        x = x + self.sa(self.ln1(x))
        x = x + self.ffwd(self.ln2(x))
        return x

# Attention is All You Need の設計
x = embedding + positional_encoding
x = self.ln1(x + self.sa(x))        # LayerNormが残差接続の後
x = self.ln2(x + self.ffwd(x))      # LayerNormが残差接続の後

# GPTシリーズの設計
x = embedding + positional_encoding  
x = x + self.sa(self.ln1(x))        # LayerNormがモジュールの前
x = x + self.ffwd(self.ln2(x))      # LayerNormがモジュールの前

# 位置エンコーディングの実装例
pos_emb = self.position_embedding_table(torch.arange(T, device=device)) # (T, C)
x = tok_emb + pos_emb # トークン埋め込みと位置埋め込みの加算

class GPTLanguageModel(nn.Module):

    def __init__(self):
        super().__init__()
        # 各トークンは、埋め込み層から次のトークンのロジットを直接読み取る
        self.token_embedding_table = nn.Embedding(vocab_size, n_embd)
        self.position_embbedding_table = nn.Embedding(block_size, n_embd)
        self.blocks = nn.Sequential(*[Block(n_embd, n_head) for _ in range(n_layer)])
        self.ln_f = nn.LayerNorm(n_embd) # 最終レイヤー正規化
        self.lm_head = nn.Linear(n_embd, vocab_size)

        # 重み初期化は訓練の成功に極めて重要
        self.apply(self._init_weights)

    def _init_weights(self, module):
        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 forward(self, idx, targets=None):
        B, T = idx.shape

        # idxとtargetsはどちらも整数の(B, T)テンソル
        tok_emb = self.token_embedding_table(idx) # (B, T, C)
        pos_emb = self.position_embbedding_table(torch.arange(T, device=device)) # (T, C)
        x = tok_emb + pos_emb # (B, T, C)
        x = self.blocks(x) # (B, T, C)
        x = self.ln_f(x)  # (B, T, C)
        logits = self.lm_head(x) # (B, T, vocab_size)

        if targets is None:
            loss = None
        else:
            B, T, C = logits.shape
            logits = logits.view(B*T, C)
            targets = targets.view(B*T)
            loss = F.cross_entropy(logits, targets)

        return logits, loss

    def generate(self, idx, max_new_tokens):
        # idxは現在のコンテキストのインデックスの(B, T)配列
        for _ in range(max_new_tokens):
            # idxを最後のblock_sizeトークンにクロップ
            idx_cond = idx[:, -block_size:]
            # 予測を取得
            logits, loss = self(idx_cond)
            # 最後の時間ステップにのみ焦点を当てる
            logits = logits[:, -1, :] # (B, C)になる
            # softmaxを適用して確率を取得
            probs = F.softmax(logits, dim=-1) # (B, C)
            # 分布からサンプル
            idx_next = torch.multinomial(probs, num_samples=1) # (B, 1)
            # サンプルされたインデックスを実行シーケンスに追加
            idx = torch.cat((idx, idx_next), dim=1) # (B, T+1)
        return idx

@torch.no_grad()
def estimate_loss():
    out = {}
    model.eval()
    for split in ['train', 'val']:
        losses = torch.zeros(eval_iters)
        for k in range(eval_iters):
            X, Y = get_batch(split)
            logits, loss = model(X, Y)
            losses[k] = loss.item()
        out[split] = losses.mean()
    model.train()
    return out

# PyTorchオプティマイザの作成
optimizer = torch.optim.AdamW(model.parameters(), lr=learning_rate)

for iter in range(max_iters):
    # 定期的に訓練セットと検証セットで損失を評価
    if iter % eval_interval == 0 or iter == max_iters -1:
        losses = estimate_loss()
        print(f"step {iter}: train loss {losses['train']:.4f}, val loss {losses['val']:.4f}")

    # データのバッチをサンプル
    xb, yb = get_batch('train')

    # 損失を評価
    logits, loss = model(xb, yb)
    optimizer.zero_grad(set_to_none=True)
    loss.backward()
    optimizer.step()

# モデルから生成
context = torch.zeros((1, 1), dtype=torch.long, device=device)
print(decode(m.generate(context, max_new_tokens=1000)[0].tolist()))

import torch
import torch.nn as nn
from torch.nn import functional as F

# ハイパーパラメータ
batch_size = 64 # 並列処理する独立シーケンスの数
block_size = 256 # 予測のための最大コンテキスト長
max_iters = 5000
eval_interval = 500
learning_rate = 3e-4
device = 'mps' if torch.mps.is_available() else 'cpu'
eval_iters = 200
n_embd = 384
n_head = 6
n_layer = 6
dropout = 0.2
# ------------

torch.manual_seed(1337)

!wget https://raw.githubusercontent.com/karpathy/char-rnn/master/data/tinyshakespeare/input.txt
with open('input.txt', 'r', encoding='utf-8') as f:
    text = f.read()

# このテキストに出現する全てのユニーク文字
chars = sorted(list(set(text)))
vocab_size = len(chars)
# 文字から整数へのマッピングを作成
stoi = { ch:i for i,ch in enumerate(chars) }
itos = { i:ch for i,ch in enumerate(chars) }
encode = lambda s: [stoi[c] for c in s] # エンコーダー: 文字列を取得し、整数のリストを出力
decode = lambda l: ''.join([itos[i] for i in l]) # デコーダー: 整数のリストを取得し、文字列を出力

# 訓練・テスト分割
data = torch.tensor(encode(text), dtype=torch.long)
n = int(0.9*len(data)) # 最初の90%が訓練、残りが検証
train_data = data[:n]
val_data = data[n:]

# データローディング
def get_batch(split):
    # 入力xとターゲットyの小さなデータバッチを生成
    data = train_data if split == 'train' else val_data
    ix = torch.randint(len(data) - block_size, (batch_size,))
    x = torch.stack([data[i:i+block_size] for i in ix])
    y = torch.stack([data[i+1:i+block_size+1] for i in ix])
    x, y = x.to(device), y.to(device)
    return x, y

@torch.no_grad()
def estimate_loss():
    out = {}
    model.eval()
    for split in ['train', 'val']:
        losses = torch.zeros(eval_iters)
        for k in range(eval_iters):
            X, Y = get_batch(split)
            logits, loss = model(X, Y)
            losses[k] = loss.item()
        out[split] = losses.mean()
    model.train()
    return out

class Head(nn.Module):
    """ 一つの自己注意ヘッド """

    def __init__(self, head_size):
        super().__init__()
        self.key = nn.Linear(n_embd, head_size, bias=False)
        self.query = nn.Linear(n_embd, head_size, bias=False)
        self.value = nn.Linear(n_embd, head_size, bias=False)
        self.register_buffer('tril', torch.tril(torch.ones(block_size, block_size)))

        self.dropout = nn.Dropout(dropout)

    def forward(self, x):
        # サイズ(batch, time-step, channels)の入力
        # サイズ(batch, time-step, head size)の出力
        B,T,C = x.shape
        k = self.key(x)   # (B,T,hs)
        q = self.query(x) # (B,T,hs)
        # アテンションスコア（「アフィニティ」）を計算
        wei = q @ k.transpose(-2,-1) * k.shape[-1]**-0.5 # (B, T, hs) @ (B, hs, T) -> (B, T, T)
        wei = wei.masked_fill(self.tril[:T, :T] == 0, float('-inf')) # (B, T, T)
        wei = F.softmax(wei, dim=-1) # (B, T, T)
        wei = self.dropout(wei)
        # バリューの重み付き集約を実行
        v = self.value(x) # (B,T,hs)
        out = wei @ v # (B, T, T) @ (B, T, hs) -> (B, T, hs)
        return out

class MultiHeadAttention(nn.Module):
    """ 複数の自己注意ヘッドを並列実行 """

    def __init__(self, num_heads, head_size):
        super().__init__()
        self.heads = nn.ModuleList([Head(head_size) for _ in range(num_heads)])
        self.proj = nn.Linear(head_size * num_heads, n_embd)
        self.dropout = nn.Dropout(dropout)

    def forward(self, x):
        out = torch.cat([h(x) for h in self.heads], dim=-1)
        out = self.dropout(self.proj(out))
        return out

class FeedFoward(nn.Module):
    """ 非線形性を伴うシンプルな線形層 """

    def __init__(self, n_embd):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(n_embd, 4 * n_embd),
            nn.ReLU(),
            nn.Linear(4 * n_embd, n_embd),
            nn.Dropout(dropout),
        )

    def forward(self, x):
        return self.net(x)

class Block(nn.Module):
    """ Transformerブロック: 通信の後に計算を行う """

    def __init__(self, n_embd, n_head):
        # n_embd: 埋め込み次元, n_head: 使用したいヘッド数
        super().__init__()
        head_size = n_embd // n_head
        self.sa = MultiHeadAttention(n_head, head_size)
        self.ffwd = FeedFoward(n_embd)
        self.ln1 = nn.LayerNorm(n_embd)
        self.ln2 = nn.LayerNorm(n_embd)

    def forward(self, x):
        x = x + self.sa(self.ln1(x))
        x = x + self.ffwd(self.ln2(x))
        return x

class GPTLanguageModel(nn.Module):

    def __init__(self):
        super().__init__()
        # 各トークンは、埋め込み層から次のトークンのロジットを直接読み取る
        self.token_embedding_table = nn.Embedding(vocab_size, n_embd)
        self.position_embedding_table = nn.Embedding(block_size, n_embd)
        self.blocks = nn.Sequential(*[Block(n_embd, n_head=n_head) for _ in range(n_layer)])
        self.ln_f = nn.LayerNorm(n_embd) # 最終レイヤー正規化
        self.lm_head = nn.Linear(n_embd, vocab_size)

        # より良い初期化、元のGPTビデオでは扱わなかったが重要、フォローアップビデオで扱う予定
        self.apply(self._init_weights)

    def _init_weights(self, module):
        """
        GPT式重み初期化：標準偏差0.02の正規分布を使用
        この値はTransformerアーキテクチャに最適化された経験的結果
        """
        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 forward(self, idx, targets=None):
        B, T = idx.shape

        # idxとtargetsはどちらも整数の(B,T)テンソル
        tok_emb = self.token_embedding_table(idx) # (B,T,C)
        pos_emb = self.position_embedding_table(torch.arange(T, device=device)) # (T,C)
        x = tok_emb + pos_emb # (B,T,C)
        x = self.blocks(x) # (B,T,C)
        x = self.ln_f(x) # (B,T,C)
        logits = self.lm_head(x) # (B,T,vocab_size)

        if targets is None:
            loss = None
        else:
            B, T, C = logits.shape
            logits = logits.view(B*T, C)
            targets = targets.view(B*T)
            loss = F.cross_entropy(logits, targets)

        return logits, loss

    def generate(self, idx, max_new_tokens):
        # idxは現在のコンテキストのインデックスの(B, T)配列
        for _ in range(max_new_tokens):
            # idxを最後のblock_sizeトークンにクロップ
            idx_cond = idx[:, -block_size:]
            # 予測を取得
            logits, loss = self(idx_cond)
            # 最後の時間ステップにのみ焦点を当てる
            logits = logits[:, -1, :] # (B, C)になる
            # softmaxを適用して確率を取得
            probs = F.softmax(logits, dim=-1) # (B, C)
            # 分布からサンプル
            idx_next = torch.multinomial(probs, num_samples=1) # (B, 1)
            # サンプルされたインデックスを実行シーケンスに追加
            idx = torch.cat((idx, idx_next), dim=1) # (B, T+1)
        return idx
model = GPTLanguageModel()
m = model.to(device)
# モデル内のパラメータ数を出力
print(sum(p.numel() for p in m.parameters())/1e6, 'M parameters')

# PyTorchオプティマイザの作成
optimizer = torch.optim.AdamW(model.parameters(), lr=learning_rate)

for iter in range(max_iters):

    # 定期的に訓練セットと検証セットで損失を評価
    if iter % eval_interval == 0 or iter == max_iters - 1:
        losses = estimate_loss()
        print(f"step {iter}: train loss {losses['train']:.4f}, val loss {losses['val']:.4f}")

    # データのバッチをサンプル
    xb, yb = get_batch('train')

    # 損失を評価
    logits, loss = model(xb, yb)
    optimizer.zero_grad(set_to_none=True)
    loss.backward()
    optimizer.step()

# モデルから生成
context = torch.zeros((1, 1), dtype=torch.long, device=device)
print(decode(m.generate(context, max_new_tokens=500)[0].tolist()))

idx_cond = idx[:, -block_size:]  # 最新のblock_size個のトークンのみ使用

logits, loss = self(idx_cond)  # GPTモデルで予測
logits = logits[:, -1, :]      # 最後の位置の予測のみ取得

probs = F.softmax(logits, dim=-1)  # 確率に変換

idx_next = torch.multinomial(probs, num_samples=1)  # 確率的に選択

idx = torch.cat((idx, idx_next), dim=1)  # 新しい文字を追加

logits = logits / temperature  # temperatureで調整
probs = F.softmax(logits, dim=-1)