{"id":31699402,"url":"https://github.com/artheioupfat/mini-gpt-wiki","last_synced_at":"2025-10-08T19:43:23.395Z","repository":{"id":318641800,"uuid":"1072102295","full_name":"artheioupfat/mini-gpt-wiki","owner":"artheioupfat","description":"Projet visant à créer un mini LLM entraîné sur des données Wikipédia et à interagir avec lui via une interface Streamlit.","archived":false,"fork":false,"pushed_at":"2025-10-08T10:14:04.000Z","size":1239,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":0,"default_branch":"main","last_synced_at":"2025-10-08T12:14:29.364Z","etag":null,"topics":["cuda","gpt","language","llm","model","mps","nlp","pytorch","scraping","streamlit","transformer","wikipedia"],"latest_commit_sha":null,"homepage":"","language":"Python","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/artheioupfat.png","metadata":{"files":{"readme":"ReadMe.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null,"zenodo":null,"notice":null,"maintainers":null,"copyright":null,"agents":null,"dco":null,"cla":null}},"created_at":"2025-10-08T09:06:28.000Z","updated_at":"2025-10-08T10:14:08.000Z","dependencies_parsed_at":"2025-10-08T12:14:38.814Z","dependency_job_id":"276cef73-62ce-4f16-b890-46a9f561e023","html_url":"https://github.com/artheioupfat/mini-gpt-wiki","commit_stats":null,"previous_names":["artheioupfat/mini-gpt-wiki"],"tags_count":null,"template":false,"template_full_name":null,"purl":"pkg:github/artheioupfat/mini-gpt-wiki","repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/artheioupfat%2Fmini-gpt-wiki","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/artheioupfat%2Fmini-gpt-wiki/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/artheioupfat%2Fmini-gpt-wiki/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/artheioupfat%2Fmini-gpt-wiki/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/artheioupfat","download_url":"https://codeload.github.com/artheioupfat/mini-gpt-wiki/tar.gz/refs/heads/main","sbom_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/artheioupfat%2Fmini-gpt-wiki/sbom","scorecard":null,"host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":279000703,"owners_count":26082806,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","status":"online","status_checked_at":"2025-10-08T02:00:06.501Z","response_time":56,"last_error":null,"robots_txt_status":"success","robots_txt_updated_at":"2025-07-24T06:49:26.215Z","robots_txt_url":"https://github.com/robots.txt","online":true,"can_crawl_api":true,"host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["cuda","gpt","language","llm","model","mps","nlp","pytorch","scraping","streamlit","transformer","wikipedia"],"created_at":"2025-10-08T19:43:20.563Z","updated_at":"2025-10-08T19:43:23.387Z","avatar_url":"https://github.com/artheioupfat.png","language":"Python","funding_links":[],"categories":[],"sub_categories":[],"readme":"# Mini GPT Wikipédia\n\nPetit projet **Personnel** pour construire un **mini GPT** entraîné sur un sous-ensemble de **Wikipédia🇫🇷**, en 3 parties :\n\n1. **Scraper** : collecte propre depuis l’API Wikipédia, à partir d’une page « mère » et en explorant ses liens (profondeur contrôlée).\n2. **Entraînement** : un **TinyGPT** (transformer causal) minimal, entraîné sur les textes tokenisés.\n3. **Using** : une **app Streamlit** pour chatter avec le modèle.\n\n\u003e Le code détecte automatiquement **CUDA → MPS → CPU**. Conçu pour tourner sur **Mac (Apple Silicon)** comme sur Linux/Windows.\n\n---\n\n\n\n## 🖼️ Aperçu de l'interface\n\n\n![Interface Streamlit](Image/Resultat.png)\n\n\n---\n\n## ⚙️ Prérequis\n- Python **3.10+**\n- **PyTorch** 2.2+ (avec MPS sur Mac, ou CUDA si dispo)\n- Accès internet pour le scraping\n\n---\n\n## 🚀 Installation\n\n```bash\n# (Optionnel) environnement virtuel\npython3 -m venv .venv \u0026\u0026 source .venv/bin/activate\n\n# Installer PyTorch (voir la commande adaptée sur pytorch.org si GPU CUDA)\npip install torch torchvision torchaudio\n\n# Dépendances du projet\npip install -r requirements.txt\n```\n\n`requirements.txt` minimal :\n```\nwikipedia-api\nmwparserfromhell\ntransformers\u003e=4.41\ntorch\u003e=2.2\nnumpy==1.26.4\ntqdm\nstreamlit\n```\n\n---\n\n## 🗂️ Arborescence\n```\nmini-gpt-wiki/\n├─ data/\n│  ├─ raw/                  \n│  └─ tokens/               \n├─ models/\n│  └─ tinygpt/              \n├─ scraper/\n│  └─ wiki_scraper.py       \n├─ training/\n│  ├─ dataset.py           \n│  ├─ tiny_gpt.py          \n│  ├─ train.py               \n│  └─ generate.py           \n├─ app/\n│  └─ app_streamlit.py     \n├─ requirements.txt\n└─ README.md\n```\n\n---\n\n## 🧭 Workflow \n\n### 1) Scraper Wikipédia\nChoisir une **page mère**, la **langue**, la **profondeur** et un **max de pages** (exemple FR sur *Intelligence artificielle*).\n\n```bash\npython scraper/wiki_scraper.py \"Intelligence artificielle\" \\\n  --lang fr --depth 1 --max_pages 300 --sleep 0.2 \\\n  --user_agent \"MiniGPTWiki/1.0 (prenom; prenom@exemple.com)\" \\\n  --out data/raw/wiki_fr_ia.jsonl\n```\n\n\u003e Le script affiche une barre de progression `Scraping pages` et crée `data/raw/wiki_fr_ia.jsonl`.\n\n### 2) Construire le dataset tokenisé\n\n```bash\npython -c \"from training.dataset import build_token_dataset; \\\nbuild_token_dataset('data/raw/wiki_fr_ia.jsonl','data/tokens/gpt2_fr_ia')\"\n\nls -lh data/tokens/gpt2_fr_ia\ncat data/tokens/gpt2_fr_ia/meta.json\n```\n\n### 3) Entraîner le mini-GPT\n\n```bash\npython training/train.py\n```\n\n- Le script choisit automatiquement le **device** (CUDA → MPS → CPU).\n- Les checkpoints sont écrits dans `models/tinygpt/` (ex. `tinygpt_final.pt`).\n\n\u003e **Preset POC (optionnel)** : dans `train.py`, à la fin, tu peux remplacer l’appel par :\n```python\ntrain(max_steps=800, batch_size=12, d_model=320, n_layer=4, n_head=4, block_size=256)\n```\n\n### 4) Générer en CLI (Utiliser le LLM dans le terminal)\n\n```bash\npython training/generate.py\n```\n\n\u003e Modifie le prompt dans `generate.py` si besoin.\n\n### 5) Lancer l’app Streamlit (Utiliser le LLM sur une interface WEB)\n\n```bash\nstreamlit run app/app_streamlit.py\n```\nDans l’UI :\n- **Checkpoint** : `models/tinygpt/tinygpt_final.pt`\n- **Tokens dir** : `data/tokens/gpt2_fr_ia`\n\n---\n\n## 🧠 Détails techniques\n\n### Détection du device\nLes scripts utilisent :\n```python\nif torch.cuda.is_available(): device = 'cuda'\nelif torch.backends.mps.is_available(): device = 'mps'\nelse: device = 'cpu'\n```\n\n### Tokenizer\n- Par défaut : **GPT‑2 byte-level** via `transformers` (bon compromis FR/EN).\n- Les textes sont concaténés avec un séparateur `eos` avant tokenisation.\n\n### Modèle TinyGPT\n- Architecture GPT minimale : embeddings, blocs Transformer (MSA + MLP), masque causal, `LayerNorm` final.\n- Paramètres par défaut (POC): `d_model=320`, `n_layer=4`, `n_head=4`, `block_size=256`, `dropout=0.1`.\n\n### Entraînement\n- Optimiseur : **AdamW**.\n- **Gradient clipping** = 1.0.\n- Évaluations périodiques sur `val.bin` (perte moyenne).\n\n\n\n---\n\n## 📈 Conseils \u0026 pistes d’amélioration\n- Apprendre un **tokenizer BPE** dédié (lib `tokenizers`) pour de meilleures stats FR.\n- Passer à **RMSNorm**, **poids partagés**, ou **FlashAttention** (si CUDA) pour accélérer/stabiliser.\n- Curriculum learning : commencer avec des séquences courtes puis augmenter `block_size`.\n- Évaluer avec perplexité + QA de contrôle.\n\n\n\n---\n\n\n## Auteur : Arthur PRIGENT\n\nProjet personnel visant à maitriser les outils de développement et de jouer avec les hyper-paramètres d'un LLM.\n\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fartheioupfat%2Fmini-gpt-wiki","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fartheioupfat%2Fmini-gpt-wiki","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fartheioupfat%2Fmini-gpt-wiki/lists"}