File size: 7,611 Bytes
79e8e52 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 | """window_context.py — V6: Window Context with compressor + indexer for 2M tokens.
Implementa (item 1 do PowerMachine/gru-ring-v13-9-2): window context que
permite attention sobre 2M tokens via:
1. Compressor: reduz sequência longa em resumo comprimido (A, d_model)
2. Indexer: busca top-k chunks relevantes para o token atual
3. Adaptive attention: full attention nos chunks locais + sparse nos remotos
Arquitetura inspirada em Longformer/BigBird mas adaptada para o BiGRU_T.
"""
from __future__ import annotations
import math
from typing import Optional, Tuple, List
from dataclasses import dataclass
import torch
import torch.nn as nn
import torch.nn.functional as F
@dataclass
class WindowContextConfig:
"""Configuração do Window Context 2M tokens."""
d_model: int = 128
max_seq_len: int = 2_000_000 # 2M tokens
window_size: int = 256 # janela local de attention full
n_compress_tokens: int = 64 # nº de tokens comprimidos pelo compressor
top_k_chunks: int = 4 # top-k chunks recuperados pelo indexer
chunk_size: int = 512 # tamanho do chunk para indexer
nhead: int = 4
dropout: float = 0.1
class SequenceCompressor(nn.Module):
"""Compressor: reduz sequência longa em representação comprimida.
Usa pooling adaptativo + projeção linear para gerar (n_compress_tokens, d_model)
a partir de (T, d_model) onde T pode ser até 2M.
Forward:
x: (B, T, d_model) → c: (B, n_compress_tokens, d_model)
"""
def __init__(self, d_model: int, n_compress_tokens: int = 64):
super().__init__()
self.d_model = d_model
self.n_compress_tokens = n_compress_tokens
# Pooling adaptativo: T → n_compress_tokens
self.pool = nn.AdaptiveAvgPool1d(n_compress_tokens)
# Projeção para restaurar dimensão
self.proj = nn.Linear(d_model, d_model)
self.norm = nn.LayerNorm(d_model)
def forward(self, x: torch.Tensor) -> torch.Tensor:
# x: (B, T, d_model) → transpose → (B, d_model, T) → pool → (B, d_model, n_compress)
x_t = x.transpose(1, 2)
c = self.pool(x_t).transpose(1, 2) # (B, n_compress, d_model)
c = self.norm(self.proj(c))
return c
class ChunkIndexer(nn.Module):
"""Indexer: busca top-k chunks relevantes para o token atual.
Mantém um índice de chunks (chunk_size tokens cada). Para cada query
(token atual), computa similaridade com todos os chunks e retorna top-k.
Forward:
query: (B, d_model) — representação do token atual
chunks: (B, n_chunks, d_model) — chunks indexados
→ top_k_chunks: (B, top_k, d_model), top_k_idx: (B, top_k)
"""
def __init__(self, d_model: int, top_k: int = 4):
super().__init__()
self.d_model = d_model
self.top_k = top_k
self.query_proj = nn.Linear(d_model, d_model)
self.chunk_proj = nn.Linear(d_model, d_model)
def forward(
self,
query: torch.Tensor,
chunks: torch.Tensor,
) -> Tuple[torch.Tensor, torch.Tensor]:
# query: (B, d_model) → (B, 1, d_model)
q = self.query_proj(query).unsqueeze(1)
# chunks: (B, n_chunks, d_model)
c = self.chunk_proj(chunks)
# Similaridade cosseno
q_norm = F.normalize(q, dim=-1)
c_norm = F.normalize(c, dim=-1)
sims = (q_norm @ c_norm.transpose(1, 2)).squeeze(1) # (B, n_chunks)
# Top-k
top_k = min(self.top_k, sims.size(-1))
topk_sims, topk_idx = sims.topk(top_k, dim=-1) # (B, top_k)
# Gather chunks
gathered = torch.gather(
chunks, 1,
topk_idx.unsqueeze(-1).expand(-1, -1, chunks.size(-1))
)
return gathered, topk_idx
class WindowContext(nn.Module):
"""V6: Window Context com compressor + indexer para 2M tokens.
Arquitetura:
1. Compressor reduz a sequência longa em n_compress_tokens tokens
2. Indexer busca top-k chunks relevantes
3. Adaptive attention: full no window local + sparse nos remotos
Forward:
x: (B, T, d_model) → o: (B, T, d_model)
(T pode ser até max_seq_len = 2M)
"""
def __init__(self, config: Optional[WindowContextConfig] = None):
super().__init__()
self.cfg = config or WindowContextConfig()
self.compressor = SequenceCompressor(self.cfg.d_model, self.cfg.n_compress_tokens)
self.indexer = ChunkIndexer(self.cfg.d_model, self.cfg.top_k_chunks)
# Local attention (full within window)
self.local_attn = nn.MultiheadAttention(
self.cfg.d_model, self.cfg.nhead, dropout=self.cfg.dropout, batch_first=True
)
# Global attention (compressed + retrieved chunks)
self.global_attn = nn.MultiheadAttention(
self.cfg.d_model, self.cfg.nhead, dropout=self.cfg.dropout, batch_first=True
)
self.local_norm = nn.LayerNorm(self.cfg.d_model)
self.global_norm = nn.LayerNorm(self.cfg.d_model)
self.fuse = nn.Linear(2 * self.cfg.d_model, self.cfg.d_model)
def forward(self, x: torch.Tensor) -> torch.Tensor:
"""x: (B, T, d_model) → o: (B, T, d_model)"""
B, T, D = x.shape
if T > self.cfg.max_seq_len:
raise ValueError(f"Sequence length {T} exceeds max {self.cfg.max_seq_len}")
# 1. Local attention: processa em janelas deslizantes
window = min(self.cfg.window_size, T)
local_outs = []
for start in range(0, T, window):
end = min(start + window, T)
chunk = x[:, start:end, :]
normed = self.local_norm(chunk)
attn_out, _ = self.local_attn(normed, normed, normed, need_weights=False)
local_outs.append(chunk + attn_out)
local_h = torch.cat(local_outs, dim=1) # (B, T, D)
# 2. Compressor: representa a sequência inteira
compressed = self.compressor(x) # (B, n_compress, D)
# 3. Indexer: para cada token, busca top-k chunks relevantes
# Para simplicidade (custo computacional), usamos a média do token ao
# redor como query. Em produção, isto seria feito em batch paralelo.
if T > self.cfg.chunk_size:
n_chunks = (T + self.cfg.chunk_size - 1) // self.cfg.chunk_size
chunk_reps = []
for c in range(n_chunks):
cs = c * self.cfg.chunk_size
ce = min((c + 1) * self.cfg.chunk_size, T)
chunk_reps.append(x[:, cs:ce, :].mean(dim=1, keepdim=True))
chunks_tensor = torch.cat(chunk_reps, dim=1) # (B, n_chunks, D)
else:
chunks_tensor = x.transpose(0, 1).unsqueeze(0).expand(B, -1, -1) if T == 1 else x
# Pool da sequência para query (representação global do momento)
query = local_h.mean(dim=1) # (B, D)
retrieved, _ = self.indexer(query, chunks_tensor) # (B, top_k, D)
# 4. Global attention: query = local_h, keys/values = compressed + retrieved
global_kv = torch.cat([compressed, retrieved], dim=1) # (B, n_compress + top_k, D)
global_normed_q = self.global_norm(local_h)
global_normed_kv = self.global_norm(global_kv)
global_out, _ = self.global_attn(
global_normed_q, global_normed_kv, global_normed_kv, need_weights=False
)
# 5. Fusão local + global
fused = self.fuse(torch.cat([local_h, global_out], dim=-1))
return fused
__all__ = [
"WindowContext", "WindowContextConfig",
"SequenceCompressor", "ChunkIndexer",
]
|