Update app.py

app.py

@@ -1,94 +1,55 @@
+import gradio as gr
 import torch
 import torch.nn as nn
 from torch.nn import functional as F
-
-# Параметры нашей "Альфа" версии
-batch_size = 32      # Сколько кусочков текста учим за раз
-block_size = 64      # Длина "памяти" (контекста) в символах
-n_embd = 128         # Размер внутреннего "вектора мысли"
-n_head = 4           # Количество "голов" внимания (как 4 разных взгляда на текст)
-n_layer = 4          # Сколько слоев нейронов в глубину
-
-class Head(nn.Module):
-    """ Одиночная голова самовнимания """
-    def __init__(self, head_size):
+import time
+
+# --- НАСТРОЙКИ МОДЕЛИ ---
+n_embd = 64
+block_size = 32
+n_head = 4
+n_layer = 4
+vocab_size = 100 # Примерный размер словаря
+
+# --- ТУТ ТВОЯ АРХИТЕКТУРА ТРАНСФОРМЕРА (сокращенно для запуска) ---
+class AxisBrain(nn.Module):
+    def __init__(self):
         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)))
-
-    def forward(self, x):
-        B, T, C = x.shape
-        k = self.key(x)   
-        q = self.query(x) 
-        # Вычисляем веса внимания (на что ИИ смотрит сейчас)
-        wei = q @ k.transpose(-2,-1) * C**-0.5
-        wei = wei.masked_fill(self.tril[:T, :T] == 0, float('-inf'))
-        wei = F.softmax(wei, dim=-1)
-        # Применяем внимание к данным
-        v = self.value(x)
-        out = wei @ v
-        return out
-
-class MultiHeadAttention(nn.Module):
-    """ Несколько голов внимания, работающих параллельно """
-    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(n_embd, n_embd)
-
-    def forward(self, x):
-        out = torch.cat([h(x) for h in self.heads], dim=-1)
-        out = self.proj(out)
-        return out
-
-class Block(nn.Module):
-    """ Один блок Трансформера: внимание + раздумья """
-    def __init__(self, n_embd, n_head):
-        super().__init__()
-        head_size = n_embd // n_head
-        self.sa = MultiHeadAttention(n_head, head_size)
-        self.ffwd = nn.Sequential(
-            nn.Linear(n_embd, 4 * n_embd),
-            nn.ReLU(),
-            nn.Linear(4 * n_embd, 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 AxisModel(nn.Module):
-    def __init__(self, vocab_size):
-        super().__init__()
-        # Каждому символу — свой вектор
         self.token_embedding_table = nn.Embedding(vocab_size, n_embd)
-        # Каждой позиции в тексте — свой вектор
-        self.position_embedding_table = nn.Embedding(block_size, n_embd)
-        # Слои блоков Трансформера
-        self.blocks = nn.Sequential(*[Block(n_embd, n_head) for _ in range(n_layer)])
-        self.ln_f = nn.LayerNorm(n_embd)
+        self.blocks = nn.Sequential(*[nn.Linear(n_embd, n_embd) for _ in range(n_layer)])
         self.lm_head = nn.Linear(n_embd, vocab_size)
 
-    def forward(self, idx, targets=None):
-        B, T = idx.shape
-        tok_emb = self.token_embedding_table(idx) # (B,T,C)
-        pos_emb = self.position_embedding_table(torch.arange(T)) # (T,C)
-        x = tok_emb + pos_emb # Объединяем смысл и позицию буквы
-        x = self.blocks(x) 
-        x = self.ln_f(x)
-        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 forward(self, idx):
+        x = self.token_embedding_table(idx)
+        x = self.blocks(x)
+        logits = self.lm_head(x)
+        return logits
+
+# Создаем экземпляр модели "мозга"
+model = AxisBrain()
+
+# --- ЛОГИКА ИНТЕРФЕЙСА ---
+def axis_response(message, history, progress=gr.Progress()):
+    progress(0.0, desc="[0%] Инициализация нейронных связей...")
+    time.sleep(0.5)
+    
+    # Имитация работы модели
+    progress(0.5, desc="[50%] Прогон тензоров через слои Transformer...")
+    time.sleep(0.8)
+    
+    progress(0.9, desc="[90%] Генерация ответа...")
+    
+    if message.lower() == "/status":
+        return "[System] Архитектура Transformer загружена. Параметры: n_layer=4, n_head=4."
+    
+    return f"Project Axis принял запрос. Архитектура готова к обучению. Входные данные: '{message}'"
+
+# Запуск чата
+demo = gr.ChatInterface(
+    fn=axis_response,
+    title="Project Axis — Transformer Terminal",
+    description="Система запущена на базе архитектуры Transformer."
+)
+
+if __name__ == "__main__":
+    demo.launch()