Update README.md

README.md

@@ -58,4 +58,310 @@ La sortie de **Xadia-charlotte** sera une longue chaîne de mots, d'articles, et
 ### 🛑 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**.
+* **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)
+```