mirror of
https://github.com/ml-explore/mlx-examples.git
synced 2025-08-30 02:53:41 +08:00
Add qwen model draft
This commit is contained in:
parent
08e862336a
commit
ec94fcf430
23
qwen/convert.py
Normal file
23
qwen/convert.py
Normal file
@ -0,0 +1,23 @@
|
|||||||
|
from transformers import AutoModelForCausalLM
|
||||||
|
import numpy as np
|
||||||
|
|
||||||
|
|
||||||
|
def replace_key(key: str) -> str:
|
||||||
|
if key.startswith("transformer."):
|
||||||
|
# remove transformer prefix
|
||||||
|
key = key.replace("transformer.", "")
|
||||||
|
|
||||||
|
return key
|
||||||
|
|
||||||
|
|
||||||
|
def convert():
|
||||||
|
model = AutoModelForCausalLM.from_pretrained(
|
||||||
|
"Qwen/Qwen-1_8B", trust_remote_code=True
|
||||||
|
)
|
||||||
|
state_dict = model.state_dict()
|
||||||
|
weights = {replace_key(k): v.numpy() for k, v in state_dict.items()}
|
||||||
|
np.savez("weights.npz", **weights)
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == "__main__":
|
||||||
|
convert()
|
249
qwen/qwen.py
Normal file
249
qwen/qwen.py
Normal file
@ -0,0 +1,249 @@
|
|||||||
|
# The architecture of Qwen is similar to Llama.
|
||||||
|
|
||||||
|
import argparse
|
||||||
|
|
||||||
|
from typing import Any
|
||||||
|
import mlx.core as mx
|
||||||
|
import mlx.nn as nn
|
||||||
|
from mlx.utils import tree_unflatten
|
||||||
|
|
||||||
|
from dataclasses import dataclass
|
||||||
|
|
||||||
|
from transformers import AutoTokenizer
|
||||||
|
|
||||||
|
|
||||||
|
@dataclass
|
||||||
|
class ModelArgs:
|
||||||
|
hidden_size: int = 2048
|
||||||
|
num_attention_heads: int = 16
|
||||||
|
num_hidden_layers: int = 24
|
||||||
|
kv_channels: int = 128
|
||||||
|
|
||||||
|
max_position_embeddings: int = 8192
|
||||||
|
layer_norm_epsilon: float = 1e-6
|
||||||
|
intermediate_size: int = 11008
|
||||||
|
|
||||||
|
no_bias: bool = True
|
||||||
|
|
||||||
|
vocab_size: int = 151936
|
||||||
|
|
||||||
|
|
||||||
|
class QWenAttntion(nn.Module):
|
||||||
|
def __init__(self, args: ModelArgs):
|
||||||
|
super().__init__()
|
||||||
|
|
||||||
|
self.hidden_size = args.hidden_size
|
||||||
|
self.num_attention_heads = args.num_attention_heads
|
||||||
|
|
||||||
|
self.hidden_size_per_attention_head = (
|
||||||
|
self.hidden_size // self.num_attention_heads
|
||||||
|
)
|
||||||
|
|
||||||
|
self.rotary_emb = nn.RoPE(
|
||||||
|
self.hidden_size_per_attention_head, traditional=False
|
||||||
|
)
|
||||||
|
|
||||||
|
self.proj_size = args.kv_channels * self.num_attention_heads
|
||||||
|
|
||||||
|
self.c_attn = nn.Linear(self.hidden_size, self.proj_size * 3, bias=True)
|
||||||
|
self.c_proj = nn.Linear(self.hidden_size, self.proj_size, bias=not args.no_bias)
|
||||||
|
|
||||||
|
self.scale = self.hidden_size_per_attention_head**-0.5
|
||||||
|
|
||||||
|
def __call__(self, x, mask=None, cache=None):
|
||||||
|
qkv = self.c_attn(x)
|
||||||
|
|
||||||
|
q, k, v = mx.split(qkv, 3, axis=-1)
|
||||||
|
|
||||||
|
B, L, D = q.shape
|
||||||
|
|
||||||
|
q = q.reshape(B, L, self.num_attention_heads, -1).transpose(0, 2, 1, 3)
|
||||||
|
k = k.reshape(B, L, self.num_attention_heads, -1).transpose(0, 2, 1, 3)
|
||||||
|
v = v.reshape(B, L, self.num_attention_heads, -1).transpose(0, 2, 1, 3)
|
||||||
|
|
||||||
|
if cache is not None:
|
||||||
|
k_cache, v_cache = cache
|
||||||
|
q = self.rotary_emb(q, offset=k_cache.shape[2])
|
||||||
|
k = self.rotary_emb(k, offset=k_cache.shape[2])
|
||||||
|
k = mx.concatenate([k_cache, k], axis=2)
|
||||||
|
v = mx.concatenate([v_cache, v], axis=2)
|
||||||
|
|
||||||
|
else:
|
||||||
|
q = self.rotary_emb(q)
|
||||||
|
k = self.rotary_emb(k)
|
||||||
|
|
||||||
|
q = q.astype(mx.float32)
|
||||||
|
k = k.astype(mx.float32)
|
||||||
|
|
||||||
|
scores = (q * self.scale) @ k.transpose(0, 1, 3, 2)
|
||||||
|
|
||||||
|
if mask is not None:
|
||||||
|
scores = scores + mask
|
||||||
|
|
||||||
|
scores = mx.softmax(scores, axis=-1).astype(v.dtype)
|
||||||
|
v_hat = (scores @ v).transpose(0, 2, 1, 3).reshape(B, L, -1)
|
||||||
|
|
||||||
|
return self.c_proj(v_hat), (k, v)
|
||||||
|
|
||||||
|
|
||||||
|
class QWenMlp(nn.Module):
|
||||||
|
def __init__(self, args: ModelArgs):
|
||||||
|
super().__init__()
|
||||||
|
|
||||||
|
self.w1 = nn.Linear(
|
||||||
|
args.hidden_size, args.intermediate_size // 2, bias=not args.no_bias
|
||||||
|
)
|
||||||
|
self.w2 = nn.Linear(
|
||||||
|
args.intermediate_size // 2, args.hidden_size, bias=not args.no_bias
|
||||||
|
)
|
||||||
|
self.c_proj = nn.Linear(
|
||||||
|
args.intermediate_size // 2, args.hidden_size, bias=not args.no_bias
|
||||||
|
)
|
||||||
|
|
||||||
|
def __call__(self, x) -> Any:
|
||||||
|
a1 = self.w1(x)
|
||||||
|
a2 = self.w2(x)
|
||||||
|
intermediate_parallel = a1 * nn.silu(a2)
|
||||||
|
out = self.c_proj(intermediate_parallel)
|
||||||
|
return out
|
||||||
|
|
||||||
|
|
||||||
|
class QWenBlock(nn.Module):
|
||||||
|
def __init__(self, args: ModelArgs):
|
||||||
|
super().__init__()
|
||||||
|
|
||||||
|
self.ln_1 = nn.RMSNorm(args.hidden_size, eps=args.layer_norm_epsilon)
|
||||||
|
self.attn = QWenAttntion(args)
|
||||||
|
self.ln_2 = nn.RMSNorm(args.hidden_size, eps=args.layer_norm_epsilon)
|
||||||
|
self.mlp = QWenMlp(args)
|
||||||
|
|
||||||
|
def __call__(self, x, mask=None, cache=None):
|
||||||
|
residual = x
|
||||||
|
x = self.ln_1(x)
|
||||||
|
x, cache = self.attn(x, mask=mask, cache=cache)
|
||||||
|
residual = x + residual
|
||||||
|
x = self.ln_2(residual)
|
||||||
|
x = self.mlp(x)
|
||||||
|
x = x + residual
|
||||||
|
|
||||||
|
return x, cache
|
||||||
|
|
||||||
|
|
||||||
|
class QWen(nn.Module):
|
||||||
|
def __init__(self, args: ModelArgs):
|
||||||
|
super().__init__()
|
||||||
|
|
||||||
|
self.embed_dim = args.hidden_size
|
||||||
|
|
||||||
|
self.wte = nn.Embedding(args.vocab_size, args.hidden_size)
|
||||||
|
self.h = [QWenBlock(args) for _ in range(args.num_hidden_layers)]
|
||||||
|
self.ln_f = nn.RMSNorm(self.embed_dim, eps=args.layer_norm_epsilon)
|
||||||
|
|
||||||
|
self.lm_head = nn.Linear(self.embed_dim, args.vocab_size, bias=False)
|
||||||
|
|
||||||
|
def __call__(self, inputs, mask=None, cache=None):
|
||||||
|
x = self.wte(inputs)
|
||||||
|
|
||||||
|
mask = None
|
||||||
|
if x.shape[1] > 1:
|
||||||
|
mask = nn.MultiHeadAttention.create_additive_causal_mask(x.shape[1])
|
||||||
|
mask = mask.astype(x.dtype)
|
||||||
|
|
||||||
|
if cache is None:
|
||||||
|
cache = [None] * len(self.h)
|
||||||
|
|
||||||
|
for e, layer in enumerate(self.h):
|
||||||
|
x, cache[e] = layer(x, mask, cache[e])
|
||||||
|
|
||||||
|
x = self.ln_f(x)
|
||||||
|
|
||||||
|
return self.lm_head(x), cache
|
||||||
|
|
||||||
|
|
||||||
|
def generate(prompt: mx.array, model: QWen, temp: 0.0):
|
||||||
|
def sample(logits):
|
||||||
|
if temp == 0:
|
||||||
|
return mx.argmax(logits, axis=-1)
|
||||||
|
else:
|
||||||
|
return mx.random.categorical(logits * (1 / temp))
|
||||||
|
|
||||||
|
logits, cache = model(prompt)
|
||||||
|
y = sample(logits[:, -1, :])
|
||||||
|
yield y
|
||||||
|
|
||||||
|
while True:
|
||||||
|
logits, cache = model(y[:, None], cache=cache)
|
||||||
|
y = sample(logits.squeeze(1))
|
||||||
|
yield y
|
||||||
|
|
||||||
|
|
||||||
|
def load_model():
|
||||||
|
model = QWen(ModelArgs())
|
||||||
|
weights = mx.load("weights.npz")
|
||||||
|
model.update(tree_unflatten(list(weights.items())))
|
||||||
|
# print([x for x, _ in tree_flatten(model.parameters())])
|
||||||
|
tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen-1_8B", trust_remote_code=True)
|
||||||
|
return model, tokenizer
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == "__main__":
|
||||||
|
parser = argparse.ArgumentParser(description="Phi-2 inference script")
|
||||||
|
parser.add_argument(
|
||||||
|
"--prompt",
|
||||||
|
help="The message to be processed by the model",
|
||||||
|
default="Write a detailed analogy between mathematics and a lighthouse.",
|
||||||
|
)
|
||||||
|
parser.add_argument(
|
||||||
|
"--max_tokens",
|
||||||
|
"-m",
|
||||||
|
type=int,
|
||||||
|
default=100,
|
||||||
|
help="Maximum number of tokens to generate",
|
||||||
|
)
|
||||||
|
parser.add_argument(
|
||||||
|
"--temp",
|
||||||
|
help="The sampling temperature.",
|
||||||
|
type=float,
|
||||||
|
default=0.0,
|
||||||
|
)
|
||||||
|
parser.add_argument("--seed", type=int, default=0, help="The PRNG seed")
|
||||||
|
args = parser.parse_args()
|
||||||
|
|
||||||
|
mx.random.seed(args.seed)
|
||||||
|
|
||||||
|
model, tokenizer = load_model()
|
||||||
|
|
||||||
|
prompt = tokenizer(
|
||||||
|
args.prompt,
|
||||||
|
return_tensors="np",
|
||||||
|
return_attention_mask=False,
|
||||||
|
)["input_ids"]
|
||||||
|
|
||||||
|
prompt = mx.array(prompt)
|
||||||
|
|
||||||
|
print("[INFO] Generating with QWen...", flush=True)
|
||||||
|
print(args.prompt, end="", flush=True)
|
||||||
|
|
||||||
|
tokens = []
|
||||||
|
for token, _ in zip(generate(prompt, model, args.temp), range(args.max_tokens)):
|
||||||
|
tokens.append(token)
|
||||||
|
|
||||||
|
if (len(tokens) % 10) == 0:
|
||||||
|
mx.eval(tokens)
|
||||||
|
eos_index = next(
|
||||||
|
(i for i, t in enumerate(tokens) if t.item() == tokenizer.eos_token_id),
|
||||||
|
None,
|
||||||
|
)
|
||||||
|
|
||||||
|
if eos_index is not None:
|
||||||
|
tokens = tokens[:eos_index]
|
||||||
|
|
||||||
|
s = tokenizer.decode([t.item() for t in tokens])
|
||||||
|
print(s, end="", flush=True)
|
||||||
|
tokens = []
|
||||||
|
if eos_index is not None:
|
||||||
|
break
|
||||||
|
|
||||||
|
mx.eval(tokens)
|
||||||
|
s = tokenizer.decode([t.item() for t in tokens])
|
||||||
|
print(s, flush=True)
|
Loading…
Reference in New Issue
Block a user