|
|
--- |
|
|
license: mit |
|
|
language: |
|
|
- fr |
|
|
pipeline_tag: text-generation |
|
|
--- |
|
|
## 💾 Documentation Technique : Xadia-charlotte (SLM) |
|
|
|
|
|
 |
|
|
|
|
|
Bienvenue dans l'expérience **Xadia-charlotte**. Ce Small Language Model (SLM) est un outil d'**exploration lexicale** conçu pour les auteurs-compositeurs cherchant à briser le blocage créatif en travaillant à partir de fragments de langage non structurés. |
|
|
|
|
|
### ⚙️ Philosophie du Modèle |
|
|
|
|
|
**Xadia-charlotte** n'est **PAS** un générateur de texte traditionnel. Il est votre partenaire pour le **"décorticage créatif"**. |
|
|
|
|
|
* **Fonctionnement :** Le modèle a été entraîné sur un corpus de chansons de haute qualité (créé par Clemylia), mais il est paramétré pour générer des séquences avec une **diversité lexicale maximale** et une **faible cohérence sémantique/syntaxique**. |
|
|
* **Objectif :** Générer une **matière première brute** (mots, ponctuations, fragments) que l'utilisateur doit **trier, réorganiser et interpréter** pour y découvrir de nouvelles idées, métaphores ou tournures de phrases. |
|
|
* **Thèmes Cibles :** Le vocabulaire généré sera majoritairement orienté vers l'**Espoir** ✨, l'**Amitié** 🤝, et l'**Écologie** 🌳. |
|
|
|
|
|
### 🛠️ Mode d'Utilisation (Le Prompt) |
|
|
|
|
|
Le modèle fonctionne uniquement par **complétion de séquence**. Vous devez lui fournir un début de refrain ou de couplet (le *prompt*) pour amorcer la génération. |
|
|
|
|
|
#### 1. Formuler votre Prompt (Début de Chanson) |
|
|
|
|
|
Le prompt idéal est un début de phrase ou une phrase complète qui **pose le contexte thématique** souhaité. |
|
|
|
|
|
| Thème Cible | Exemple de Prompt | |
|
|
| :--- | :--- | |
|
|
| **Espoir** ✨ | `Malgré la nuit qui tombe, je vois encore...` | |
|
|
| **Amitié** 🤝 | `Ce lien qui nous unit est comme...` | |
|
|
| **Écologie** 🌳 | `Quand le vent se lève, il porte la voix...` | |
|
|
|
|
|
> ⚠️ **Note Importante :** Ne demandez **JAMAIS** une action au modèle (`Génère une idée sur...`). Le prompt doit être une **séquence de mots** à compléter. |
|
|
|
|
|
#### 2. Interpréter la Sortie (L'Art de l'Extraction) |
|
|
|
|
|
La sortie de **Xadia-charlotte** sera une longue chaîne de mots, d'articles, et de ponctuations, souvent creative. |
|
|
|
|
|
**Exemple de Sortie (après le prompt) :** |
|
|
`un le , je n’a qui , est s de , rêves , qui plus , pas , , est suis ne , est je perdu , très : ne , le ne , , , la de sans frais n’a de , de . rien , y , tour est` |
|
|
|
|
|
**Processus d'Extraction/Idéation :** |
|
|
|
|
|
1. **Scanner pour les Mots-Clés :** Lisez rapidement la séquence et notez les mots porteurs de sens : `rêves`, `perdu`, `frais`, `guide`, `flamme`, `trésor`. |
|
|
2. **Former des Groupes de Mots :** Assemblez les mots-clés qui résonnent ensemble, ignorant les articles ou la ponctuation parasites : |
|
|
* `rêves perdu` |
|
|
* `flamme trésor` |
|
|
* `sans frais` |
|
|
3. **Construire l'Idée :** Utilisez ces fragments pour *inspirer* de nouvelles lignes pour votre chanson. |
|
|
|
|
|
| Fragment Généré | Interprétation (Ligne de Chanson) | |
|
|
| :--- | :--- | |
|
|
| `flamme trésor` | "Notre amitié est une **flamme** qui garde le **trésor** au chaud." | |
|
|
| `rêves perdu guide` | "Même si je me sens **perdu**, mes **rêves** sont mon seul **guide**." | |
|
|
|
|
|
### 🛑 Limites & Responsabilité de l'Auteur |
|
|
|
|
|
* **Cohérence Zéro :** N'attendez **aucune** cohérence syntaxique ou sémantique. Le modèle est intentionnellement sous-optimisé pour cette tâche afin de stimuler une pensée non linéaire. |
|
|
* **La Créativité est Manuelle :** L'utilisateur est le seul responsable de la **soudure, du rythme, des rimes et de la structure** de la chanson finale. Xadia-charlotte n'est qu'un **dictionnaire de suggestions par probabilité**. |
|
|
|
|
|
exemple de code d'utilisation : |
|
|
|
|
|
``` |
|
|
# ============================================================================== |
|
|
# CHARGEMENT ET TEST DE XADIA-CHARLOTTE |
|
|
# ============================================================================== |
|
|
|
|
|
# 1. INSTALLATION DES LIBRAIRIES |
|
|
# !pip install torch huggingface_hub |
|
|
|
|
|
import torch |
|
|
import torch.nn as nn |
|
|
from huggingface_hub import hf_hub_download |
|
|
import json |
|
|
import collections |
|
|
import math |
|
|
import re |
|
|
|
|
|
# --- PARAMÈTRES DE CHARGEMENT --- |
|
|
# ⚠️ REMPLACEZ CETTE VALEUR PAR VOTRE ID DE MODÈLE RÉEL ! |
|
|
MODEL_ID = "Clemylia/Xadia-Charlotte" |
|
|
TEMP_DIR = "./xadia_charlotte_download" |
|
|
DEVICE = 'cuda' if torch.cuda.is_available() else 'cpu' |
|
|
|
|
|
# ============================================================================== |
|
|
# 2. REDÉFINITION DES CLASSES ORIGINALES (CRUCIAL) |
|
|
# ============================================================================== |
|
|
|
|
|
# Nous devons redéfinir les classes utilisées pour l'entraînement car elles ne sont |
|
|
# pas dans la bibliothèque standard de Hugging Face. |
|
|
|
|
|
# --- Redéfinition des Constantes Spéciales --- |
|
|
UNK_TOKEN = "[UNK]" |
|
|
PAD_TOKEN = "[PAD]" |
|
|
SOS_TOKEN = "[SOS]" |
|
|
EOS_TOKEN = "[EOS]" |
|
|
|
|
|
# --- Redéfinition du Tokenizer Word-Level --- |
|
|
class WordLevelTokenizer: |
|
|
""" |
|
|
Tokenizer simple basé sur le niveau du mot, adapté pour le chargement. |
|
|
Il chargera la carte vocabulaire directement à partir du fichier vocab.json. |
|
|
""" |
|
|
def __init__(self, vocab_map): |
|
|
# vocab_map est le dictionnaire {mot: id} chargé depuis HF |
|
|
self.word_to_id = vocab_map |
|
|
self.id_to_word = [None] * len(vocab_map) |
|
|
for word, id_ in vocab_map.items(): |
|
|
self.id_to_word[id_] = word |
|
|
|
|
|
# Récupération des IDs spéciaux |
|
|
self._pad_token_id = self.word_to_id.get(PAD_TOKEN) |
|
|
self._sos_token_id = self.word_to_id.get(SOS_TOKEN) |
|
|
self._eos_token_id = self.word_to_id.get(EOS_TOKEN) |
|
|
self._unk_token_id = self.word_to_id.get(UNK_TOKEN) |
|
|
|
|
|
def encode(self, text): |
|
|
"""Convertit une phrase en liste d'IDs (utilise la même logique de nettoyage).""" |
|
|
text = text.lower() |
|
|
# Logique de gestion de l'apostrophe (doit correspondre à l'entraînement !) |
|
|
text = re.sub(r"([cjlmnst])'", r'\1 ', text) |
|
|
for punc in '.,!?:;()"-': |
|
|
text = text.replace(punc, f' {punc} ') |
|
|
|
|
|
words = text.split() |
|
|
|
|
|
return [self.word_to_id.get(word, self._unk_token_id) for word in words] |
|
|
|
|
|
def decode(self, token_ids): |
|
|
"""Convertit une liste d'IDs en phrase.""" |
|
|
return " ".join([self.id_to_word[id_.item()] if isinstance(id_, torch.Tensor) else self.id_to_word[id_] |
|
|
for id_ in token_ids if id_ < len(self.id_to_word)]) |
|
|
|
|
|
@property |
|
|
def vocab_size_final(self): return len(self.word_to_id) |
|
|
@property |
|
|
def pad_token_id(self): return self._pad_token_id |
|
|
@property |
|
|
def sos_token_id(self): return self._sos_token_id |
|
|
@property |
|
|
def eos_token_id(self): return self._eos_token_id |
|
|
|
|
|
|
|
|
# --- Redéfinition des Blocs d'Architecture (CausalSelfAttention, XadiaBlock) --- |
|
|
# (Ces classes sont complexes et n'ont pas besoin d'être modifiées si elles sont |
|
|
# identiques à celles de l'entraînement.) |
|
|
|
|
|
class CausalSelfAttention(nn.Module): |
|
|
def __init__(self, d_model, num_heads, dropout): |
|
|
super().__init__() |
|
|
self.d_model = d_model |
|
|
self.num_heads = num_heads |
|
|
self.head_dim = d_model // num_heads |
|
|
|
|
|
self.q_proj = nn.Linear(d_model, d_model) |
|
|
self.k_proj = nn.Linear(d_model, d_model) |
|
|
self.v_proj = nn.Linear(d_model, d_model) |
|
|
self.out_proj = nn.Linear(d_model, d_model) |
|
|
|
|
|
self.dropout = nn.Dropout(dropout) |
|
|
|
|
|
def forward(self, x): |
|
|
B, T, C = x.size() |
|
|
q = self.q_proj(x).view(B, T, self.num_heads, self.head_dim).transpose(1, 2) |
|
|
k = self.k_proj(x).view(B, T, self.num_heads, self.head_dim).transpose(1, 2) |
|
|
v = self.v_proj(x).view(B, T, self.num_heads, self.head_dim).transpose(1, 2) |
|
|
|
|
|
attn_scores = (q @ k.transpose(-2, -1)) / math.sqrt(self.head_dim) |
|
|
|
|
|
causal_mask = torch.triu(torch.ones(T, T), diagonal=1).bool().to(x.device) |
|
|
attn_scores = attn_scores.masked_fill(causal_mask, float('-inf')) |
|
|
|
|
|
attn_weights = nn.functional.softmax(attn_scores, dim=-1) |
|
|
attn_weights = self.dropout(attn_weights) |
|
|
|
|
|
output = attn_weights @ v |
|
|
|
|
|
output = output.transpose(1, 2).contiguous().view(B, T, C) |
|
|
output = self.out_proj(output) |
|
|
|
|
|
return output |
|
|
|
|
|
class XadiaBlock(nn.Module): |
|
|
def __init__(self, d_model, num_heads, ffn_factor, dropout): |
|
|
super().__init__() |
|
|
self.norm1 = nn.LayerNorm(d_model) |
|
|
self.attn = CausalSelfAttention(d_model, num_heads, dropout) |
|
|
self.norm2 = nn.LayerNorm(d_model) |
|
|
|
|
|
self.ffn = nn.Sequential( |
|
|
nn.Linear(d_model, d_model * ffn_factor), |
|
|
nn.GELU(), |
|
|
nn.Linear(d_model * ffn_factor, d_model), |
|
|
nn.Dropout(dropout) |
|
|
) |
|
|
self.dropout = nn.Dropout(dropout) |
|
|
|
|
|
def forward(self, x): |
|
|
x = x + self.dropout(self.attn(self.norm1(x))) |
|
|
x = x + self.dropout(self.ffn(self.norm2(x))) |
|
|
return x |
|
|
|
|
|
# --- Redéfinition de la Classe Modèle Principale --- |
|
|
class XadiaCharlotteSLM(nn.Module): |
|
|
def __init__(self, vocab_size, d_model, num_layers, num_heads, ffn_factor, max_seq_length, dropout): |
|
|
super().__init__() |
|
|
self.max_seq_length = max_seq_length |
|
|
|
|
|
self.word_embedding = nn.Embedding(vocab_size, d_model) |
|
|
self.position_embedding = nn.Embedding(max_seq_length, d_model) |
|
|
self.dropout = nn.Dropout(dropout) |
|
|
self.transformer_blocks = nn.ModuleList([ |
|
|
XadiaBlock(d_model, num_heads, ffn_factor, dropout) |
|
|
for _ in range(num_layers) |
|
|
]) |
|
|
self.norm_final = nn.LayerNorm(d_model) |
|
|
self.lm_head = nn.Linear(d_model, vocab_size, bias=False) |
|
|
|
|
|
# Pas besoin d'init weights ici, car nous chargeons des poids entraînés |
|
|
|
|
|
def forward(self, input_ids): |
|
|
B, T = input_ids.size() |
|
|
|
|
|
token_emb = self.word_embedding(input_ids) |
|
|
position_ids = torch.arange(0, T, dtype=torch.long, device=input_ids.device) |
|
|
position_emb = self.position_embedding(position_ids) |
|
|
|
|
|
x = self.dropout(token_emb + position_emb) |
|
|
|
|
|
for block in self.transformer_blocks: |
|
|
x = block(x) |
|
|
|
|
|
x = self.norm_final(x) |
|
|
logits = self.lm_head(x) |
|
|
|
|
|
return logits |
|
|
|
|
|
|
|
|
# ============================================================================== |
|
|
# 3. CHARGEMENT DU MODÈLE DEPUIS HUGGING FACE |
|
|
# ============================================================================== |
|
|
|
|
|
def load_xadia_charlotte(model_id, device): |
|
|
""" |
|
|
Télécharge les fichiers de config, vocabulaire et poids, et instancie le modèle. |
|
|
""" |
|
|
print(f"--- ⬇️ TÉLÉCHARGEMENT DE {model_id} ---") |
|
|
|
|
|
# Téléchargement des fichiers essentiels |
|
|
try: |
|
|
# Configuration |
|
|
config_path = hf_hub_download(repo_id=model_id, filename="config.json", local_dir=TEMP_DIR) |
|
|
with open(config_path, 'r') as f: |
|
|
config = json.load(f) |
|
|
print(f"Configuration chargée: {config['vocab_size']} mots, {config['num_layers']} couches.") |
|
|
|
|
|
# Vocabulaire |
|
|
vocab_path = hf_hub_download(repo_id=model_id, filename="vocab.json", local_dir=TEMP_DIR) |
|
|
with open(vocab_path, 'r', encoding='utf-8') as f: |
|
|
vocab_map = json.load(f) |
|
|
|
|
|
# Poids |
|
|
weights_path = hf_hub_download(repo_id=model_id, filename="pytorch_model.bin", local_dir=TEMP_DIR) |
|
|
|
|
|
except Exception as e: |
|
|
print(f"ERREUR lors du téléchargement. Assurez-vous que l'ID de modèle est correct et que les fichiers sont présents. Détail: {e}") |
|
|
return None, None |
|
|
|
|
|
# 1. Initialisation du Tokenizer |
|
|
tokenizer = WordLevelTokenizer(vocab_map) |
|
|
|
|
|
# 2. Initialisation du Modèle |
|
|
model = XadiaCharlotteSLM( |
|
|
vocab_size=config['vocab_size'], |
|
|
d_model=config['d_model'], |
|
|
num_layers=config['num_layers'], |
|
|
num_heads=config['num_heads'], |
|
|
ffn_factor=config['ffn_factor'], |
|
|
max_seq_length=config['max_seq_length'], |
|
|
dropout=config['dropout'] |
|
|
).to(device) |
|
|
|
|
|
# 3. Chargement des poids |
|
|
model.load_state_dict(torch.load(weights_path, map_location=device)) |
|
|
model.eval() # Mode évaluation pour l'inférence |
|
|
print("Modèle Xadia-Charlotte chargé et prêt.") |
|
|
|
|
|
return model, tokenizer |
|
|
|
|
|
# ============================================================================== |
|
|
# 4. FONCTION DE GÉNÉRATION (TEST) |
|
|
# ============================================================================== |
|
|
|
|
|
def generate_text(model, tokenizer, prompt, max_new_tokens=100, temperature=0.9): |
|
|
""" |
|
|
Génère du texte conditionné par un prompt (refrain). |
|
|
""" |
|
|
# 1. Préparation du prompt |
|
|
prompt_ids = tokenizer.encode(prompt) |
|
|
if not prompt_ids: |
|
|
print("Erreur: Prompt vide ou ne contient aucun mot reconnu.") |
|
|
return |
|
|
|
|
|
input_ids = torch.tensor([prompt_ids], dtype=torch.long).to(model.lm_head.weight.device) |
|
|
|
|
|
print(f"\n--- 🎶 TEST DE GÉNÉRATION (Temp={temperature:.2f}) ---") |
|
|
print(f"Prompt (Refrain): {prompt}") |
|
|
print("-" * 50) |
|
|
|
|
|
generated_tokens = prompt_ids |
|
|
|
|
|
with torch.no_grad(): |
|
|
for _ in range(max_new_tokens): |
|
|
# Limiter l'input au contexte max |
|
|
input_context = input_ids[:, -model.max_seq_length:] |
|
|
|
|
|
# Forward Pass : obtenir les logits |
|
|
logits = model(input_context) |
|
|
|
|
|
# Seul le dernier token prédit nous intéresse |
|
|
last_token_logits = logits[0, -1, :] / temperature |
|
|
|
|
|
# Échantillonnage (Sampling) |
|
|
probs = torch.nn.functional.softmax(last_token_logits, dim=-1) |
|
|
next_token_id = torch.multinomial(probs, num_samples=1) |
|
|
|
|
|
# Arrêt si EOS est généré |
|
|
if next_token_id.item() == tokenizer.eos_token_id: |
|
|
break |
|
|
|
|
|
# Mise à jour de la séquence |
|
|
input_ids = torch.cat([input_ids, next_token_id.unsqueeze(0)], dim=-1) |
|
|
generated_tokens.append(next_token_id.item()) |
|
|
|
|
|
# Décodage |
|
|
prompt_len = len(tokenizer.encode(prompt)) |
|
|
generated_couplet = tokenizer.decode(generated_tokens[prompt_len:]) |
|
|
|
|
|
print(f"Résultat Généré (Couplet): {generated_couplet}") |
|
|
print("-" * 50) |
|
|
|
|
|
|
|
|
# ============================================================================== |
|
|
# 5. EXÉCUTION |
|
|
# ============================================================================== |
|
|
|
|
|
if __name__ == '__main__': |
|
|
|
|
|
# ⚠️ IMPORTANT : REMPLACER PAR VOTRE ID DE MODÈLE PUBLIÉ |
|
|
# Exemple : "Clemylia/Xadia-Charlotte" |
|
|
YOUR_MODEL_ID = "Clemylia/Xadia-Charlotte" |
|
|
|
|
|
# 1. Chargement du Modèle et du Tokenizer |
|
|
model, tokenizer = load_xadia_charlotte(YOUR_MODEL_ID, DEVICE) |
|
|
|
|
|
if model and tokenizer: |
|
|
# 2. Test du Modèle |
|
|
prompt_refrain = "quand la lumière s'éteint, mon cœur s'allume pour toi" |
|
|
|
|
|
# Test 1: Créativité (Température élevée) |
|
|
generate_text(model, tokenizer, prompt_refrain, max_new_tokens=150, temperature=0.9) |
|
|
|
|
|
# Test 2: Cohérence (Température faible) |
|
|
generate_text(model, tokenizer, prompt_refrain, max_new_tokens=150, temperature=0.5) |
|
|
``` |
