nanoGPT - Treinamento GPT Minimalista

Início rápido

nanoGPT é uma implementação simplificada do GPT projetada para aprendizado e experimentação.

Instalação:

pip install torch numpy transformers datasets tiktoken wandb tqdm

Treine em Shakespeare (amigável a CPU):

# Preparar dados
python data/shakespeare_char/prepare.py

# Treinar (5 minutos em CPU)
python train.py config/train_shakespeare_char.py

# Gerar texto
python sample.py --out_dir=out-shakespeare-char

Saída:

ROMEO:
What say'st thou? Shall I speak, and be a man?

JULIET:
I am afeard, and yet I'll speak; for thou art
One that hath been a man, and yet I know not
What thou art.

Workflows comuns

Workflow 1: Shakespeare em nível de caractere

Pipeline completo de treinamento:

# Passo 1: Preparar dados (cria train.bin, val.bin)
python data/shakespeare_char/prepare.py

# Passo 2: Treinar modelo pequeno
python train.py config/train_shakespeare_char.py

# Passo 3: Gerar texto
python sample.py --out_dir=out-shakespeare-char

Configuração (config/train_shakespeare_char.py):

# Configuração do modelo
n_layer = 6          # 6 camadas transformer
n_head = 6           # 6 cabeças de atenção
n_embd = 384         # embeddings com dimensão 384
block_size = 256     # contexto de 256 caracteres

# Configuração de treinamento
batch_size = 64
learning_rate = 1e-3
max_iters = 5000
eval_interval = 500

# Hardware
device = 'cpu'  # Ou 'cuda'
compile = False # Defina como True para PyTorch 2.0

Tempo de treinamento: ~5 minutos (CPU), ~1 minuto (GPU)

Workflow 2: Reproduza GPT-2 (124M)

Treinamento multi-GPU em OpenWebText:

# Passo 1: Preparar OpenWebText (leva ~1 hora)
python data/openwebtext/prepare.py

# Passo 2: Treinar GPT-2 124M com DDP (8 GPUs)
torchrun --standalone --nproc_per_node=8 \
  train.py config/train_gpt2.py

# Passo 3: Amostra do modelo treinado
python sample.py --out_dir=out

Configuração (config/train_gpt2.py):

# Arquitetura GPT-2 (124M)
n_layer = 12
n_head = 12
n_embd = 768
block_size = 1024
dropout = 0.0

# Treinamento
batch_size = 12
gradient_accumulation_steps = 5 * 8  # Batch efetivo ~0.5M tokens
learning_rate = 6e-4
max_iters = 600000
lr_decay_iters = 600000

# Sistema
compile = True  # PyTorch 2.0

Tempo de treinamento: ~4 dias (8× A100)

Workflow 3: Fine-tune GPT-2 pré-treinado

Começar a partir do checkpoint OpenAI:

# Em train.py ou config
init_from = 'gpt2'  # Opções: gpt2, gpt2-medium, gpt2-large, gpt2-xl

# Modelo carrega pesos OpenAI automaticamente
python train.py config/finetune_shakespeare.py

Config de exemplo (config/finetune_shakespeare.py):

# Começar a partir do GPT-2
init_from = 'gpt2'

# Dataset
dataset = 'shakespeare_char'
batch_size = 1
block_size = 1024

# Fine-tuning
learning_rate = 3e-5  # LR mais baixa para fine-tuning
max_iters = 2000
warmup_iters = 100

# Regularização
weight_decay = 1e-1

Workflow 4: Dataset customizado

Treine em seu próprio texto:

# data/custom/prepare.py
import numpy as np

# Carregue seus dados
with open('my_data.txt', 'r') as f:
    text = f.read()

# Crie mapeamentos de caracteres
chars = sorted(list(set(text)))
stoi = {ch: i for i, ch in enumerate(chars)}
itos = {i: ch for i, ch in enumerate(chars)}

# Tokenize
data = np.array([stoi[ch] for ch in text], dtype=np.uint16)

# Divida train/val
n = len(data)
train_data = data[:int(n*0.9)]
val_data = data[int(n*0.9):]

# Salve
train_data.tofile('data/custom/train.bin')
val_data.tofile('data/custom/val.bin')

Treine:

python data/custom/prepare.py
python train.py --dataset=custom

Quando usar vs alternativas

Use nanoGPT quando:

• Aprender como GPT funciona
• Experimentar variantes de transformer
• Fins educacionais/ensino
• Prototipagem rápida
• Computação limitada (pode rodar em CPU)

Vantagens de simplicidade:

• ~300 linhas: Modelo inteiro em model.py
• ~300 linhas: Loop de treinamento em train.py
• Hackeável: Fácil de modificar
• Sem abstrações: PyTorch puro

Use alternativas em vez disso:

• HuggingFace Transformers: Uso em produção, muitos modelos
• Megatron-LM: Treinamento distribuído em larga escala
• LitGPT: Mais arquiteturas, pronto para produção
• PyTorch Lightning: Precisa de framework de alto nível

Problemas comuns

Problema: CUDA fora de memória

Reduza tamanho de batch ou comprimento de contexto:

batch_size = 1  # Reduza de 12
block_size = 512  # Reduza de 1024
gradient_accumulation_steps = 40  # Aumente para manter batch efetivo

Problema: Treinamento muito lento

Ative compilação (PyTorch 2.0+):

compile = True  # Speedup de 2×

Use precisão mista:

dtype = 'bfloat16'  # Ou 'float16'

Problema: Qualidade de geração ruim

Treine por mais tempo:

max_iters = 10000  # Aumente de 5000

Reduza temperatura:

# Em sample.py
temperature = 0.7  # Reduza de 1.0
top_k = 200       # Adicione amostragem top-k

Problema: Não consegue carregar pesos GPT-2

Instale transformers:

pip install transformers

Verifique nome do modelo:

init_from = 'gpt2'  # Válido: gpt2, gpt2-medium, gpt2-large, gpt2-xl

Tópicos avançados

Arquitetura do modelo: Veja references/architecture.md para estrutura de bloco GPT, atenção multi-cabeça e camadas MLP explicadas de forma simples.

Loop de treinamento: Veja references/training.md para agenda de taxa de aprendizado, acúmulo de gradiente e configuração distribuída de paralelismo de dados.

Preparação de dados: Veja references/data.md para estratégias de tokenização (nível de caractere vs BPE) e detalhes do formato binário.

Requisitos de hardware

• Shakespeare (nível de caractere):

  • CPU: 5 minutos
  • GPU (T4): 1 minuto
  • VRAM: <1GB

• GPT-2 (124M):

  • 1× A100: ~1 semana
  • 8× A100: ~4 dias
  • VRAM: ~16GB por GPU

• GPT-2 Medium (350M):

  • 8× A100: ~2 semanas
  • VRAM: ~40GB por GPU

Performance:

• Com compile=True: speedup de 2×
• Com dtype=bfloat16: redução de 50% em memória

Recursos

• GitHub: https://github.com/karpathy/nanoGPT ⭐ 48.000+
• Vídeo: "Let's build GPT" por Andrej Karpathy
• Paper: "Attention is All You Need" (Vaswani et al.)
• OpenWebText: https://huggingface.co/datasets/Skylion007/openwebtext
• Educacional: Melhor para entender transformers do zero