Skip to content
Published on

나만의 GPT 만들기 — nanoGPT로 처음부터 학습하는 언어 모델

Authors
  • Name
    Twitter
Build Your Own GPT

들어가며

ChatGPT, Claude, Gemini — 우리가 매일 쓰는 AI의 핵심은 GPT(Generative Pre-trained Transformer) 아키텍처입니다. 하지만 이걸 직접 만들어본 적 있나요?

이 시리즈에서는 Andrej Karpathy의 nanoGPT를 기반으로, 집에 있는 GPU로 언어 모델을 처음부터 학습합니다. 거대 모델의 축소판이지만, 원리는 GPT-4와 완전히 동일합니다.

왜 직접 만들어야 하나?

  • 논문만 읽으면 30% 이해, 직접 코딩하면 90% 이해
  • GPU 서버가 있으니 실제로 학습 가능 (GB10 128GB!)
  • 이력서에 "LLM 처음부터 학습 경험" — 차별화 포인트
  • AI 논문 읽을 때 "아, 이 부분!" 하는 직관이 생김

GPT 아키텍처 핵심

GPT는 Decoder-only Transformer입니다. 핵심 3가지:

1. 토큰화 (Tokenization)

텍스트를 숫자로 변환하는 첫 단계입니다.

# Character-level 토크나이저 (가장 단순)
text = "hello world"
chars = sorted(list(set(text)))
# chars = [' ', 'd', 'e', 'h', 'l', 'o', 'r', 'w']

stoi = {ch: i for i, ch in enumerate(chars)}  # char → int
itos = {i: ch for i, ch in enumerate(chars)}  # int → char

encode = lambda s: [stoi[c] for c in s]
decode = lambda l: ''.join([itos[i] for i in l])

print(encode("hello"))  # [3, 2, 4, 4, 5]
print(decode([3, 2, 4, 4, 5]))  # "hello"

실제 GPT는 BPE(Byte-Pair Encoding) 토크나이저를 사용합니다:

import tiktoken
enc = tiktoken.get_encoding("gpt2")
tokens = enc.encode("나만의 GPT를 만들자!")
print(tokens)  # [171, 120, 230, 168, 245, ...]
print(len(tokens))  # ~15 tokens

2. Self-Attention (핵심 중의 핵심)

"각 토큰이 다른 모든 토큰을 얼마나 주목할지"를 학습합니다.

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

class SelfAttention(nn.Module):
    def __init__(self, embed_dim, head_dim):
        super().__init__()
        self.query = nn.Linear(embed_dim, head_dim, bias=False)
        self.key = nn.Linear(embed_dim, head_dim, bias=False)
        self.value = nn.Linear(embed_dim, head_dim, bias=False)

    def forward(self, x):
        B, T, C = x.shape
        q = self.query(x)  # (B, T, head_dim)
        k = self.key(x)    # (B, T, head_dim)
        v = self.value(x)  # (B, T, head_dim)

        # Attention scores
        weights = q @ k.transpose(-2, -1)  # (B, T, T)
        weights = weights * (C ** -0.5)     # Scale

        # Causal mask — 미래 토큰은 볼 수 없음!
        mask = torch.tril(torch.ones(T, T))
        weights = weights.masked_fill(mask == 0, float('-inf'))

        weights = F.softmax(weights, dim=-1)
        out = weights @ v  # (B, T, head_dim)
        return out

핵심 직관: "The cat sat on the ___" 에서 빈칸을 예측할 때, "cat"과 "sat"에 높은 attention weight를 부여합니다.

3. Transformer Block

class TransformerBlock(nn.Module):
    def __init__(self, embed_dim, num_heads):
        super().__init__()
        head_dim = embed_dim // num_heads
        self.heads = nn.ModuleList([
            SelfAttention(embed_dim, head_dim)
            for _ in range(num_heads)
        ])
        self.proj = nn.Linear(embed_dim, embed_dim)
        self.ffn = nn.Sequential(
            nn.Linear(embed_dim, 4 * embed_dim),
            nn.GELU(),
            nn.Linear(4 * embed_dim, embed_dim),
        )
        self.ln1 = nn.LayerNorm(embed_dim)
        self.ln2 = nn.LayerNorm(embed_dim)

    def forward(self, x):
        # Multi-Head Attention + Residual
        attn_out = torch.cat([h(self.ln1(x)) for h in self.heads], dim=-1)
        x = x + self.proj(attn_out)
        # Feed-Forward + Residual
        x = x + self.ffn(self.ln2(x))
        return x

전체 GPT 모델

class MicroGPT(nn.Module):
    def __init__(self, vocab_size, embed_dim=384, num_heads=6,
                 num_layers=6, block_size=256):
        super().__init__()
        self.token_emb = nn.Embedding(vocab_size, embed_dim)
        self.pos_emb = nn.Embedding(block_size, embed_dim)
        self.blocks = nn.Sequential(*[
            TransformerBlock(embed_dim, num_heads)
            for _ in range(num_layers)
        ])
        self.ln_f = nn.LayerNorm(embed_dim)
        self.head = nn.Linear(embed_dim, vocab_size)

    def forward(self, idx, targets=None):
        B, T = idx.shape
        tok_emb = self.token_emb(idx)          # (B, T, embed_dim)
        pos_emb = self.pos_emb(torch.arange(T)) # (T, embed_dim)
        x = tok_emb + pos_emb

        x = self.blocks(x)
        x = self.ln_f(x)
        logits = self.head(x)  # (B, T, vocab_size)

        loss = None
        if targets is not None:
            loss = F.cross_entropy(
                logits.view(-1, logits.size(-1)),
                targets.view(-1)
            )
        return logits, loss

    def generate(self, idx, max_new_tokens):
        for _ in range(max_new_tokens):
            logits, _ = self(idx[:, -256:])  # block_size 제한
            probs = F.softmax(logits[:, -1, :], dim=-1)
            next_token = torch.multinomial(probs, num_samples=1)
            idx = torch.cat([idx, next_token], dim=1)
        return idx

모델 크기 비교:

모델파라미터레이어학습 시간 (1 GPU)
우리의 MicroGPT10M6~30분
GPT-2 Small124M12~수일
GPT-3175B96수천 GPU-일
GPT-4~1.8T (추정)??

실습: Shakespeare로 학습하기

데이터 준비

# spark01 (GB10 128GB)에서 실행
cd ~/nanoGPT
python3 data/shakespeare_char/prepare.py
# → train: 1,003,854 tokens / val: 111,540 tokens

학습 시작

python3 train.py config/train_shakespeare_char.py \
  --device=cuda \
  --max_iters=5000 \
  --eval_interval=500 \
  --log_interval=100

생성 결과 (5000 iter 후)

ROMEO:
What say you to this? Let me not stay a whit;
And yet I feel the thing I have forgot
To take upon the honour of my word.

셰익스피어 스타일의 텍스트를 처음부터 생성합니다!

다음 단계: 한국어 GPT

  1. 한국어 토크나이저 학습 (SentencePiece BPE)
  2. 나무위키 / 뉴스 데이터 수집
  3. MicroGPT 500M 학습 (spark01 128GB)
  4. LoRA 파인튜닝으로 대화형 모델

시리즈 로드맵

주제상태
1편nanoGPT로 GPT 이해하기 (이 글)
2편한국어 토크나이저 만들기🔜
3편500M 한국어 GPT 학습🔜
4편RLHF로 대화형 모델 만들기🔜
5편이미지 생성 모델 (DDPM) 처음부터🔜

📝 퀴즈 — 나만의 GPT (클릭해서 확인!)

Q1. GPT는 Encoder-Decoder 중 어떤 구조인가? ||Decoder-only Transformer||

Q2. Self-Attention에서 Causal Mask의 역할은? ||미래 토큰을 볼 수 없도록 차단 — autoregressive 생성을 위해 하삼각 행렬로 마스킹||

Q3. Attention score 계산 시 sqrt(d_k)로 나누는 이유는? ||내적 값이 커지면 softmax가 극단적이 되어 gradient vanishing 발생 — 스케일링으로 안정화||

Q4. BPE 토크나이저와 Character-level 토크나이저의 장단점은? ||BPE: 어휘 효율적 (짧은 시퀀스), 하지만 구현 복잡. Character: 단순하지만 시퀀스가 길어지고 장거리 의존성 학습 어려움||

Q5. Residual Connection (잔차 연결)이 Transformer에서 중요한 이유는? ||깊은 네트워크에서 gradient가 소실되지 않도록 원본 입력을 더해줌 — 학습 안정성과 수렴 속도 향상||

Q6. Feed-Forward Network에서 4x 확장 후 다시 축소하는 이유는? ||비선형 변환을 위한 표현력 확보 — 더 넓은 공간에서 특징을 추출한 후 원래 차원으로 압축||

Q7. 우리 MicroGPT의 파라미터 수는 약 얼마이고, GPT-2 Small과 몇 배 차이인가? ||약 10M, GPT-2 Small(124M)과 약 12배 차이||

Q8. next token prediction으로 학습하는 것만으로 언어를 이해할 수 있는 이유는? ||다음 토큰을 정확히 예측하려면 문법, 의미, 맥락, 세계 지식까지 내재적으로 학습해야 함 — 압축이 곧 이해||

📚 참고 자료 & GitHub 레퍼런스

원본 코드

원본 논문

영상 강의

📖 관련 시리즈 & 추천 포스팅