EnderArcane-Studio/PCoreX-V2

TR-EN 200M — Hugging Face + TPU Uyumlu Dil Modeli

Türkçe + İngilizce için ~196M parametreli, decoder-only (GPT tarzı) bir dil modeli. Artık tam bir Hugging Face transformers mimarisi: PreTrainedModel tabanlı, AutoModelForCausalLM ile kayıtlı, save_pretrained/push_to_hub/Trainer/ accelerate/TPU (torch_xla) ile doğrudan uyumlu. Ağırlıklar hâlâ rastgele başlatılmış — eğitimi siz üstleneceksiniz.

Dosyalar

Dosya	Açıklama
configuration_tr_en.py	TrEnConfig(PretrainedConfig) — model hiperparametreleri
modeling_tr_en.py	TrEnForCausalLM(PreTrainedModel, GenerationMixin) — mimari
tokenizer.py	TR+EN byte-level BPE tokenizer eğitimi (ham tokenizers çıktısı)
convert_tokenizer.py	Ham tokenizer'ı standart HF tokenizer klasörüne çevirir
train.py	HF Trainer ile hazır eğitim iskeleti (TPU/GPU aynı kod)
requirements.txt	Gerekli paketler

Mimari (~196M parametre)

RoPE pozisyon kodlama, RMSNorm, SwiGLU MLP, tied embeddings, KV-cache destekli (model.generate() çalışır), gradient checkpointing destekli.

Ayar	Değer
n_layer	10
n_embd	1152
n_head	16 (head_dim=72)
block_size	2048
vocab_size	32.000

Neden TPU/HF ile uyumlu?

• PreTrainedModel mirası: save_pretrained, from_pretrained, push_to_hub, .half()/.to(dtype), device_map, PEFT/LoRA entegrasyonu otomatik gelir.
• AutoModelForCausalLM.register: Model, trust_remote_code=True ile AutoModelForCausalLM.from_pretrained("./tr_en_llm_ckpt") şeklinde yüklenebilir.
• Eager/SDPA attention: torch.nn.functional.scaled_dot_product_attention kullanılıyor; TPU'da XLA graph derlemesiyle sorunsuz çalışır (flash-attn gibi CUDA'ya özel kernellere bağımlılık yok).
• Trainer + accelerate: TPU'da dağıtık eğitim, gradient accumulation, mixed precision (bf16 — TPU'nun native formatı) hepsi TrainingArguments üzerinden otomatik yönetilir.

Adım adım kullanım

1) Tokenizer'ı eğitin

pip install -r requirements.txt
python tokenizer.py --files data_tr.txt data_en.txt --vocab_size 32000 --out tr_en_tokenizer.json --test

2) Tokenizer'ı HF formatına çevirin

python convert_tokenizer.py --tokenizer_json tr_en_tokenizer.json --out ./tr_en_llm_ckpt

3) Mimariyi doğrulayın (opsiyonel, hızlı sağlık kontrolü)

python modeling_tr_en.py
# -> parametre sayısı, rastgele init loss değeri ve save_pretrained testi

4) TPU üzerinde eğitime başlayın

pip install torch_xla   # TPU/Python sürümünüze uygun wheel: https://github.com/pytorch/xla
accelerate config       # "This machine" -> "TPU" -> çekirdek sayısı
accelerate launch train.py \
    --tokenizer_dir ./tr_en_llm_ckpt \
    --train_file data_tr_en.txt \
    --output_dir ./tr_en_llm_out \
    --bf16 \
    --per_device_train_batch_size 8 \
    --gradient_accumulation_steps 4

GPU'da da aynı komutla çalışır (accelerate config'te GPU seçin).

5) Eğitim sonrası yükleme

from transformers import AutoModelForCausalLM, AutoTokenizer

tok = AutoTokenizer.from_pretrained("./tr_en_llm_out")
model = AutoModelForCausalLM.from_pretrained("./tr_en_llm_out", trust_remote_code=True)

out = model.generate(**tok("Merhaba,", return_tensors="pt"), max_new_tokens=30)
print(tok.decode(out[0]))

6) Hub'a yüklemek isterseniz

model.push_to_hub("kullanici-adi/tr-en-gpt-200m")
tok.push_to_hub("kullanici-adi/tr-en-gpt-200m")

Önemli notlar

• train.py bir iskelettir; veri seti boyutu, batch size, learning rate, toplam adım/epoch sayısı, checkpoint sıklığı gibi kararlar eğitim planınıza bağlı — kendi verinize göre düzenleyin.
• TPU'da bf16=True kullanmanız önerilir (TPU'nun native precision formatı, fp16'dan daha stabildir).
• torch_xla kurulumu TPU donanımına, PyTorch ve Python sürümünüze göre değişir; resmi kurulum talimatlarını takip edin (yukarıdaki link).
• Bu ortamda ağ erişimi ve GPU/TPU olmadığı için kodlar burada çalıştırılıp eğitilemedi; sadece sözdizimi doğrulandı (py_compile). Kendi TPU ortamınızda python modeling_tr_en.py ile mimariyi test etmenizi öneririm.