Comment on crée une IA, explique avec un vrai modèle de 10 millions de paramètres

"""
MINI-GPT — un vrai modèle de langage, codé de zéro
=====================================================
Inspiré de nanoGPT (Andrej Karpathy). Environ 10 millions de paramètres.
Tourne sur CPU (lent) ou GPU (rapide, ex: Google Colab gratuit avec T4).

Comment l'utiliser :
1. Mets un fichier texte nommé "input.txt" dans le même dossier
   (par exemple des articles de lecodeia.com collés dans un .txt, en français).
2. Lance : python mini_gpt.py
3. Regarde la génération de texte s'améliorer au fil de l'entraînement.
"""

import torch
import torch.nn as nn
from torch.nn import functional as F

# ---------------------------------------------------------------------------
# 1. RÉGLAGES (hyperparamètres) — les "boutons" du modèle
# ---------------------------------------------------------------------------
batch_size = 64        # combien de morceaux de texte traités en même temps
block_size = 256       # combien de caractères l'IA regarde d'un coup ("mémoire")
max_iters = 3000       # nombre de fois où on corrige le modèle
eval_interval = 300    # tous les combien on affiche le niveau d'erreur
learning_rate = 3e-4   # vitesse d'apprentissage
device = 'cuda' if torch.cuda.is_available() else 'cpu'
eval_iters = 50
n_embd = 384           # taille du "sens" attribué à chaque caractère
n_head = 6             # nombre de "têtes d'attention" (angles de lecture)
n_layer = 6            # nombre de couches empilées (profondeur du cerveau)
dropout = 0.2          # anti-par-cœur (évite que l'IA récite bêtement)

torch.manual_seed(1337)

# ---------------------------------------------------------------------------
# 2. DONNÉES — on charge le texte et on l'encode en chiffres
# ---------------------------------------------------------------------------
with open('input.txt', 'r', encoding='utf-8') as f:
    text = f.read()

chars = sorted(list(set(text)))       # tous les caractères uniques du texte
vocab_size = len(chars)
stoi = {ch: i for i, ch in enumerate(chars)}   # lettre -> chiffre
itos = {i: ch for i, ch in enumerate(chars)}   # chiffre -> lettre
encode = lambda s: [stoi[c] for c in s]
decode = lambda l: ''.join([itos[i] for i in l])

data = torch.tensor(encode(text), dtype=torch.long)
n = int(0.9 * len(data))
train_data = data[:n]
val_data = data[n:]

def get_batch(split):
    d = train_data if split == 'train' else val_data
    ix = torch.randint(len(d) - block_size, (batch_size,))
    x = torch.stack([d[i:i+block_size] for i in ix])
    y = torch.stack([d[i+1:i+block_size+1] for i in ix])
    return x.to(device), y.to(device)

@torch.no_grad()
def estimate_loss():
    out = {}
    model.eval()
    for split in ['train', 'val']:
        losses = torch.zeros(eval_iters)
        for k in range(eval_iters):
            X, Y = get_batch(split)
            _, loss = model(X, Y)
            losses[k] = loss.item()
        out[split] = losses.mean()
    model.train()
    return out

# ---------------------------------------------------------------------------
# 3. LE CERVEAU — architecture "transformer" (self-attention)
# ---------------------------------------------------------------------------
class Head(nn.Module):
    """Une 'tête d'attention' : regarde le texte et décide quels mots
    passés sont importants pour deviner le mot suivant."""
    def __init__(self, head_size):
        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)))
        self.dropout = nn.Dropout(dropout)

    def forward(self, x):
        B, T, C = x.shape
        k = self.key(x)
        q = self.query(x)
        wei = q @ k.transpose(-2, -1) * C**-0.5
        wei = wei.masked_fill(self.tril[:T, :T] == 0, float('-inf'))  # ne pas tricher en regardant le futur
        wei = F.softmax(wei, dim=-1)
        wei = self.dropout(wei)
        v = self.value(x)
        return wei @ v

class MultiHeadAttention(nn.Module):
    """Plusieurs têtes d'attention en parallèle, combinées ensuite."""
    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)
        self.dropout = nn.Dropout(dropout)

    def forward(self, x):
        out = torch.cat([h(x) for h in self.heads], dim=-1)
        return self.dropout(self.proj(out))

class FeedForward(nn.Module):
    """Petit réseau qui 'digère' l'information après l'attention."""
    def __init__(self, n_embd):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(n_embd, 4 * n_embd),
            nn.ReLU(),
            nn.Linear(4 * n_embd, n_embd),
            nn.Dropout(dropout),
        )

    def forward(self, x):
        return self.net(x)

class Block(nn.Module):
    """Un bloc complet : attention + digestion. On en empile plusieurs (n_layer)."""
    def __init__(self, n_embd, n_head):
        super().__init__()
        head_size = n_embd // n_head
        self.sa = MultiHeadAttention(n_head, head_size)
        self.ffwd = FeedForward(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 MiniGPT(nn.Module):
    def __init__(self):
        super().__init__()
        self.token_embedding_table = nn.Embedding(vocab_size, n_embd)
        self.position_embedding_table = nn.Embedding(block_size, n_embd)
        self.blocks = nn.Sequential(*[Block(n_embd, n_head) for _ in range(n_layer)])
        self.ln_f = nn.LayerNorm(n_embd)
        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)
        pos_emb = self.position_embedding_table(torch.arange(T, device=device))
        x = tok_emb + pos_emb
        x = self.blocks(x)
        x = self.ln_f(x)
        logits = self.lm_head(x)

        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 generate(self, idx, max_new_tokens):
        for _ in range(max_new_tokens):
            idx_cond = idx[:, -block_size:]
            logits, _ = self(idx_cond)
            logits = logits[:, -1, :]
            probs = F.softmax(logits, dim=-1)
            idx_next = torch.multinomial(probs, num_samples=1)
            idx = torch.cat((idx, idx_next), dim=1)
        return idx

# ---------------------------------------------------------------------------
# 4. ENTRAÎNEMENT
# ---------------------------------------------------------------------------
model = MiniGPT().to(device)
print(f"Nombre de paramètres : {sum(p.numel() for p in model.parameters())/1e6:.2f}M")

optimizer = torch.optim.AdamW(model.parameters(), lr=learning_rate)

for iter in range(max_iters):
    if iter % eval_interval == 0:
        losses = estimate_loss()
        print(f"étape {iter}: erreur train {losses['train']:.4f}, erreur val {losses['val']:.4f}")

    xb, yb = get_batch('train')
    logits, loss = model(xb, yb)
    optimizer.zero_grad(set_to_none=True)
    loss.backward()
    optimizer.step()

# ---------------------------------------------------------------------------
# 5. GÉNÉRATION — on fait "parler" le modèle entraîné
# ---------------------------------------------------------------------------
context = torch.zeros((1, 1), dtype=torch.long, device=device)
print(decode(model.generate(context, max_new_tokens=500)[0].tolist()))