Transformer&&GPT2模型结构(nanoGPT)➕代码（个人自学）

Transformer

总览

encoder

decoder

Postion embedding:

1.Transformer中的位置编码是1d absolute sin/cos constant（是一个pos行，dim列的位置矩阵）：

代码实现上述公式：

2.Vision Transformer中使用的是1d absolute traninable (是一个矩阵):

3.Swin Transformer 是 2d relative bias trainable,因为暂时用不到，故先不写

4.Masked AutoEncoder 是2d absolute sin/cos constant(x和y两个方向，每一个都有sin/cos),batch = height * weight(批大小)

Embedding(BPE)

以字符character为单位进行计算 ：寻找一个字符串中出现频率最高的字符对，并且用一个未曾使用过的新的字符来代替，从而对原始的字符串进行压缩 

步骤：

将词切分为子词，需要两步：

（1）建一个语料库：子词词汇表

（2）把任意一个语料切成一个或多个子词 

（1）把单词中包含的字母都加入到vocabulary中 

把出现最频繁的st 加入到词汇表和token pairs 

不断重复上述过程 

 最后没用重复的词对，第一步完成

（2）有了词汇表之后如何把一个新的语料切成子词

把每一个词切成字符的形式，然后递归的拿着邻接的

 最后会加分隔符，以便保证单词完整的语意

word embedding

也称为词向量或词嵌入，是一种将词或短语映射到固定大小的向量空间的方法。这种方法通过学习词之间的上下文关系，将每个词表示为一个实数向量。这些向量捕获了词的语义信息，使得语义上相似的词在向量空间中彼此接近。常见的Word Embedding方法包括Word2Vec、GloVe和FastText等

NNLM

代码实现模型：

（1）构建单词表

（2）两个线性层

self.linear1 = nn.Linear(context_size * embedding_dim, 128) context_size是用前面几个单词来预测当前单词的数量，类似于CBOW，是隐含层

self.linear2 = nn.Linear2(nn.Linear(128,vocab_size))输出层,输出概率预测

word2vec

Prompt-Tuning——深度解读一种新的微调范式 - 知乎

分为两种，CBOW和skip-gram

 text embedding & postion embedding

nn.Embedding 是 PyTorch 中用于词嵌入的模块。词嵌入是一种将词或标记表示为固定大小的向量的技术，这些向量捕获了词的语义信息。nn.Embedding 是 PyTorch 的 torch.nn 模块中的一部分，可以用于将整数索引转换为密集向量。

以下是 nn.Embedding 的源码概述和讲解：

源码概述

class Embedding(Module):  
    def __init__(self, num_embeddings, embedding_dim, padding_idx=None):  
        super(Embedding, self).__init__()  
        self.num_embeddings = num_embeddings  
        self.embedding_dim = embedding_dim  
        self.padding_idx = padding_idx  
        if padding_idx is not None:  
            self.weight = Parameter(torch.Tensor(num_embeddings, embedding_dim))  
            self.weight[padding_idx] = torch.zeros(embedding_dim)  
        else:  
            self.weight = Parameter(torch.empty((num_embeddings, embedding_dim)))  
        self.reset_parameters()

python复制代码

讲解

1. 初始化函数 __init__：

   • num_embeddings：嵌入层中的词汇表大小，即不同词的数量。
   • embedding_dim：嵌入向量的维度。
   • padding_idx：可选参数，表示在词汇表中用于表示填充或无效索引的索引。如果提供，则该索引处的嵌入将始终为零向量。

2. 权重初始化：
   权重矩阵 self.weight 是一个形状为 (num_embeddings, embedding_dim) 的矩阵，其中包含了所有的嵌入向量。如果指定了 padding_idx，则在该索引处的嵌入向量初始化为零向量。否则，权重矩阵会随机初始化。

3. 重置参数函数 reset_parameters：
   这是一个可选的辅助函数，用于重置参数。默认情况下，它只是调用权重参数的 .data.zero_() 方法来将所有权重设置为零。这通常在训练后用于清零嵌入权重，以便进行下一次训练。

4. 前向传播：
   在 forward 方法中，给定一个整数张量 indices（表示每个输入元素的索引），nn.Embedding 会计算相应的嵌入向量。计算方式是通过从 self.weight 中选择与 indices 对应的行来完成的。

5. 使用例子：
   在使用 nn.Embedding 时，通常会创建一个实例并将其添加到模型中。然后，可以在前向传播过程中使用该嵌入层来获取嵌入向量。例如：

python复制代码

	embedding = nn.Embedding(num_embeddings=1000, embedding_dim=50)
	input = torch.LongTensor([10, 20, 30]) # 假设词汇表中这些索引对应的词分别为 "apple", "banana", "cherry"
	output = embedding(input) # 输出形状为 (3, 50) 的张量，对应于每个输入词的嵌入向量

Layer Normalization

1.batch normalization和 layer norm

 layer norm

这是一个batch，每一行是一个样本，每一列是一个特征

batch norm是把每一列，即每一个特征，在一个小的mini-batch里，均值变为0，方差变为1

layer norm 是把每一行，即每一个样本，均值变为0，方差变为1

（batch_size, seq_len, feature)

batch norm是对每一个特征，均值变为0，方差变为1

layer norm是对每一个样本，均值变为0，方差变为1

但因为在时间序列中，每个样本的长度可能会变化，在算均值和方差的时候更方便一些

Batch Normalization（批标准化）和Layer Normalization（层标准化）都是神经网络中的标准化技术，它们对数据进行归一化处理以加速训练和提高模型的稳定性。

（1）Batch Normalization

是对每个batch的数据进行归一化处理，通过计算每个神经元的均值和方差，将数据规范化到均值为0、方差为1的分布。这样可以加速模型的收敛速度，提高模型的泛化能力。Batch Normalization主要用于卷积神经网络（CNN）等需要大量数据预处理的模型中。

是第l层的第i个样本（对一个minibatch内所有样本的同一维度去做归一化）

（2）Layer Normalization

在一个样本内进行归一化

则是对单个神经元或一个特征映射的所有神经元进行归一化处理，综合考虑一个层内所有维度的输入，计算该层的平均输入值和输入方差，然后用同一个规范化操作来转换各个维度的输入。Layer Normalization主要用于循环神经网络（RNN）和Transformer等需要序列数据的模型中，因为它可以更好地处理序列数据的特性。

对于每一层所有神经元，共享同样的均值和标准差，但每个样本有各自的参数。

如batchsize=10, 我们会有10套均值和标准差

只和神经元的数量有关，与batch size的大小无关

用到RNN中

1.层归一化对于每个时刻进行单独的归一化，归一化的参数跟神经元的个数有关，与batchsize大小无关

2.不同时刻所用到的增益和偏置是共享的，所以不用担心变长问题

是第t时刻的第i个隐藏神经元

总的来说，Batch Normalization和Layer Normalization都是为了解决神经网络中数据分布不一致的问题，它们的使用取决于具体的模型和任务需求

 

2.图解（三种归一化权重或数据改变的变与不变性）

在input中：bn是一列（每一列的结果是代表一个batch中的数据*权重得到的结果），lb是对同一行（每一行的结果代表一个样本*权重所得到的结果）

3.层归一化代码

def layernorm(x, eps=1e-6):  
    """  
    Layer Normalization function.  
      
    Args:  
        x (torch.Tensor): Input tensor.  
        eps (float): A small constant to prevent division by zero.  
      
    Returns:  
        Normalized tensor.  
    """  
    # 计算均值和方差  
    mean = x.mean(-1, keepdim=True)  
    std = x.std(-1, keepdim=True)  
      
    # 归一化处理  
    normalized = (x - mean) / (std + eps)  
      
    # 缩放和平移  
    scale = torch.ones_like(mean)  # 缩放参数，默认为1  
    shift = torch.zeros_like(mean)  # 平移参数，默认为0  
      
    return scale * normalized + shift

自注意力机制

1.图解

	+------------------------------------------------------------------------------+
	| Masked Multi-head Self-Attention |
	+------------------------------------------------------------------------------+
	| Input: Query, Key, Value (Q, K, V) |
	+------------------------------------------------------------------------------+
	| 1. Split the input tensor into multiple heads (num_heads) |
	| 2. Apply scaled dot-product attention to each head (H_i) |
	| 3. Concatenate the attention outputs from all heads |
	| 4. Apply feed-forward network to the concatenated output |
	| 5. Apply residual connection and layer normalization |
	+------------------------------------------------------------------------------+
	| Output: Processed input tensor |
	+------------------------------------------------------------------------------+

在图中，输入的Query、Key和Value首先被拆分成多个头（num_heads），然后每个头分别进行缩放点积注意力计算。接着，将所有头的注意力输出拼接在一起，并通过一个前馈网络进行处理。最后，通过残差连接和层归一化，将输入的tensor进行加工处理，得到输出结果。在整个过程中，掩码机制用于确保模型不会看到未来的信息，从而保证模型的正确性和稳定性。

2.代码（因果自注意力的代码）

MLP(multi-layer perception)

1.概念

MLP层，即多层感知器层，是一种前向结构的人工神经网络，可以映射一组输入向量到一组输出向量。除了输入输出层，MLP中间可以有多个隐层，最简单的MLP只含一个隐层。MLP层与层之间是全连接的，即上一层的任何一个神经元与下一层的所有神经元都有连接。每个节点都是一个带有非线性激活函数的神经元，可以使用反向传播算法的监督学习方法进行训练。

即feedforward

 MLP层

如何进行序列信息的传递：

Transformer:在attention层中已经提取了全局的序列信息，所以在MLP层做语意的转换（只需要对单点做就可以point-wise）

RNN：把上一个时刻的信息输出传到下一个时刻做输入

2.代码实现

Block

model