目录
模型结构图
Q(query)、K(key)、V(value)矩阵的含义:
Q,K,V是由输入的词向量x经过线性变换得到的,其中各个矩阵w可以经过学习得到, 这种变换可以提升模型的拟合能力, 得到的Q,K,V 可以理解为
Q: 要查询的信息
K: 被查询的向量
V: 查询得到的值总结:
首先Q、K、V都源于输入特征本身,是根据输入特征产生的向量,但目前我们现在无需关注是如何产生这组向量的。
V可以看做表示单个输入特征的向量。当我们直接把一组V输入到网络中进行训练,那这个网络就是没有引入Attention机制的网络。
但如果引入Attention,就需要将这组V分别乘以一组权重α \alphaα,那么就可以做到有重点性地关注输入特征,如同人的注意力一般。层归一化(Layer Normalization):是一种特征缩放技术,用于稳定深度神经网络的训练。它在每个样本的所有特征上进行归一化,使得输出的均值为0,标准差为1。这可以帮助网络更好地学习不同特征的相对重要性,并防止梯度爆炸或消失。帮助模型更好的收敛
位置编码(PositionEmbedding):因为encoder的输入是并行的,因此词与词之间并没有位置信息,加入位置编码,可给输入增加一个位置信息
代码实现
data.py
import numpy as np
import random
import torch
from torch.utils import data
# 定义x的字典
dict_x = '<SOS>,<EOS>,<PAD>,0,1,2,3,4,5,6,7,8,9,a,b,c,d,e,f,g,h,i,j,k,l,m,n,o,p,q,r,s,t,u,v,w,x,y,z'
dict_x = {word:i for i,word in enumerate(dict_x.split(','))}
dict_word = [k for k, v in dict_x.items()]
# 定义y的字典
dict_y = {word.upper():i for word,i in dict_x.items()}
dict_word = [k for k,v in dict_y.items()]
# 获取输入数据x与对应的y
def get_data():
# 输入的数据
words = ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'q', 'w', 'e', 'r',
't', 'y', 'u', 'i', 'o', 'p', 'a', 's', 'd', 'f', 'g', 'h', 'j', 'k',
'l', 'z', 'x', 'c', 'v', 'b', 'n', 'm']
# 每个数据对应的概率
p = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 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])
p = p/p.sum()
# 随机取n个词
n = random.randint(30,48)
x = np.random.choice(words, size=n, replace=True, p=p)# replace参数为是否可以重复抽样
x = x.tolist()
# 定义y的取值
def f(i):
i = i.upper()
if not i.isdigit():
return i
i = 9-int(i)
return str(i)
y = [f(i) for i in x]
y += [y[-1]]# 双写最后一个
y = y[::-1]# 将y逆序
# 对x,y进行处理,加首尾和补pad
x = ['<SOS>']+x+['<EOS>']
y = ['<SOS>']+y+['<EOS>']
x += ['<PAD>']*50
y += ['<PAD>']*51
x = x[:50]
y = y[:51]
# 编码为模型的输入数据
x = [dict_x[i] for i in x]
y = [dict_y[i] for i in y]
x = torch.tensor(x)
y = torch.tensor(y)
return x,y
# 定义数据集
class Dataset(data.Dataset):
def __init__(self):
super().__init__()
def __len__(self):
return 100000
def __getitem__(self, index):
return get_data()
loader = data.DataLoader(dataset=Dataset(), batch_size=8, shuffle=True)
util.py
import torch
import math
from torch.serialization import SourceChangeWarning
# 计算注意力函数
def attention(Q, K, V, mask):
# b句话,每句话50个词,每个词编码成32维向量,4个头,每个头分到8维向量
# Q,K,V = [b, 4, 50, 8]
# [b, 4, 50, 8] * [b, 4, 8, 50] -> [b, 4, 50, 50]
# Q,K矩阵相乘,求每个词相对其他所有词的注意力
score = torch.matmul(Q, K.permute(0,1,3,2))
# 除以每个头维数的平方根,做数值缩放,8是每个头的维度
score /= 8**0.5
# mask遮盖,mask是true的地方都被替换成-inf,这样在计算softmax的时候,-inf会被压缩到0
# mask = [b, 1, 50, 50]
score = score.masked_fill(mask, -float('inf'))
score = torch.softmax(score, dim=-1)
# 以注意力分数乘以V,得到最终的注意力结果
# [b, 4, 50, 50] * [b, 4, 50, 8] -> [b, 4, 50, 8]
score = torch.matmul(score, V)
# 每个头计算的结果合一
# [b, 4, 50, 8] -> [b, 50, 32]
score = score.permute(0, 2, 1, 3).reshape(-1, 50, 32)
return score
# 多头注意力层
class MultiHeadAttention(torch.nn.Module):
def __init__(self):
super().__init__()
self.fc_Q = torch.nn.Linear(32, 32)
self.fc_K = torch.nn.Linear(32, 32)
self.fc_V = torch.nn.Linear(32, 32)
self.fc_out = torch.nn.Linear(32, 32)# 输出层,将维数转化为与embedding的维数相同
self.norm = torch.nn.LayerNorm(normalized_shape=32, elementwise_affine=True)# 第一个参数表示需要归一化的维度,第二个参数表示具备可学习参数w和b
self.dropout = torch.nn.Dropout(p=0.1)# 防止过拟合
def forward(self, Q, K, V, mask):
# b句话,每句话50个词,每个词编码成32维向量
# Q,K,V = [b, 50, 32]
b = Q.shape[0]
# 保留下原始的Q,后面要做短接用
clone_Q = Q.clone()
# 先对QKV做归一化,这与论文的顺序不一致,实验证明,先做归一化的效果会更好
Q = self.norm(Q)
K = self.norm(K)
V = self.norm(V)
# 线性运算,得到WQ, WK, WV
# [b, 50, 32] -> [b, 50, 32]
Q = self.fc_Q(Q)
K = self.fc_K(K)
V = self.fc_V(V)
# 拆分成多个头
# b句话,每句话50个词,每个词编码成32维向量,4个头,每个头分到8维向量
Q = Q.reshape(b, 50, 4, 8).permute(0, 2, 1, 3)
K = K.reshape(b, 50, 4, 8).permute(0, 2, 1, 3)
V = V.reshape(b, 50, 4, 8).permute(0, 2, 1, 3)
# 计算注意力
# [b, 4, 50, 8] -> [b, 50, 32]
score = attention(Q, K, V, mask)
# 计算输出,维度不变
# [b, 50, 32] -> [b, 50, 32]
score = self.dropout(self.fc_out(score))
# 短接
score += clone_Q
return score
# 位置编码层,输入未进行编码的x,返回加了编码和位置编码的x
class PositionEmbedding(torch.nn.Module):
def __init__(self):
super().__init__()
# pos是第几个词,i是第几个维度,d_model是维度总数
def get_pe(pos, i, d_model):
fm = 1e4**(i/d_model)
pe = pos/fm
if 0==i%2:
return math.sin(pe)
return math.cos(pe)
# 初始化位置编码矩阵
pe = torch.empty(50, 32)
for i in range(50):
for j in range(32):
pe[i, j] = get_pe(i, j, 32)
pe = pe.unsqueeze(0)# 添加一个维度 [1, 50, 32]
# 定义为不更新的常量
self.register_buffer('pe', pe)# 在训练的时候,不更新
# 词编码层
self.embed = torch.nn.Embedding(39, 32)# 第一次参数表示字典里有多少个词,第二个参数为embedding的维度
self.embed.weight.data.normal_(1, 0.1)# 初始化参数
def forward(self, x):
# [8, 50] -> [8, 50, 32]
embed = self.embed(x)
# 词编码和位置编码相加
# [8, 50, 32] + [1, 50, 32] -> [8, 50, 32]
embed += self.pe
return embed
# 全连接输出层
class FullyConnectedOutput(torch.nn.Module):
def __init__(self):
super().__init__()
self.fc = torch.nn.Sequential(torch.nn.Linear(32,64), torch.nn.ReLU(), torch.nn.Linear(64,32), torch.nn.Dropout(p=0.1))
self.norm = torch.nn.LayerNorm(normalized_shape=32, elementwise_affine=True)
def forward(self, x):
clone_x = x.clone()
x = self.norm(x)
# 线性全连接运算
# [b, 50, 32] -> [b, 50, 32]
output = self.fc(x)
#短接
output += clone_x
return output
mask.py
from data import dict_x, dict_y
import torch
def mask_pad(data):
# b句话,每句话50个词,这里是还没embed的
# data = [b, 50]
# 判断每个词是不是<PAD>
mask = data==dict_x['<PAD>']
# [b, 50] -> [b, 1, 1, 50]
mask = mask.reshape(-1, 1, 1, 50)
# 在计算注意力时,是计算50个词和50个词相互之间的注意力,所以是个50*50的矩阵
# 是pad的列是true,意味着任何词对pad的注意力都是0
# 但是pad本身对其他词的注意力并不是0
# 所以是pad的行不是true
# 复制n次
# [b, 1, 1, 50] -> [b, 1, 50, 50]
mask = mask.expand(-1, 1, 50, 50)
return mask
def mask_tril(data):
# b句话,每句话50个词,这里是还没embed的
# data = [b, 50]
# 50*50的矩阵表示每个词对其他词是否可见
# 上三角矩阵,不包括对角线,意味着,对每个词而言,他只能看到他自己,和他之前的词,而看不到之后的词
# [1, 50, 50]
"""
[[0, 1, 1, 1, 1],
[0, 0, 1, 1, 1],
[0, 0, 0, 1, 1],
[0, 0, 0, 0, 1],
[0, 0, 0, 0, 0]]"""
tril = 1- torch.tril(torch.ones(1, 50, 50, dtype=torch.long))# 生成一个上三角矩阵,torch.tril函数生成一个下三角矩阵
mask = data==dict_y['<PAD>']
# 变形+转型,为了之后的计算
# [b, 1, 50]
mask = mask.unsqueeze(1).long()
# mask和tril求并集
# [b, 1, 50] + [1, 50, 50] -> [b, 50, 50] 此处用到了传播机制
mask = mask+tril
# 转化为布尔类型
mask = mask>0
# 增加一个维度 -> [b, 1, 50, 50]
mask = mask.unsqueeze(1)
return mask
model.py
import torch
import util
import mask
# 编码器层
class EncoderLayer(torch.nn.Module):
def __init__(self):
super().__init__()
self.mh = util.MultiHeadAttention()
self.fc = util.FullyConnectedOutput()
def forward(self, x, mask):
# 计算自注意力,维度不变
# [b, 50, 32] -> [b, 50, 32]
score = self.mh(x, x, x, mask)
# 全连接输出,维度不变
# [b, 50, 32] -> [b, 50, 32]
out = self.fc(score)
return out
class Encoder(torch.nn.Module):
def __init__(self):
super().__init__()
self.layer_1 = EncoderLayer()
self.layer_2 = EncoderLayer()
self.layer_3 = EncoderLayer()
def forward(self, x, mask):
x = self.layer_1(x, mask)
x = self.layer_2(x, mask)
x = self.layer_3(x, mask)
return x
# 解码器层
class DecoderLayer(torch.nn.Module):
def __init__(self):
super().__init__()
self.mh_1 = util.MultiHeadAttention()
self.mh_2 = util.MultiHeadAttention()
self.fc = util.FullyConnectedOutput()
def forward(self, x, y, mask_pad_x, mask_tril_y):
# 先计算y的自注意力,维度不变
# [b, 50, 32] -> [b, 50, 32]
y = self.mh_1(y, y, y, mask_tril_y)
# 结合x和y的注意力计算,维度不变
# [b, 50, 32],[b, 50, 32] -> [b, 50, 32]
y = self.mh_2(y, x, x, mask_pad_x)
# 全连接输出,维度不变
# [b, 50, 32] -> [b, 50, 32]
out = self.fc(y)
return out
class Decoder(torch.nn.Module):
def __init__(self):
super().__init__()
self.layer_1 = DecoderLayer()
self.layer_2 = DecoderLayer()
self.layer_3 = DecoderLayer()
def forward(self, x, y, mask_pad_x, mask_tril_y):
y = self.layer_1(x, y, mask_pad_x, mask_tril_y)
y = self.layer_2(x, y, mask_pad_x, mask_tril_y)
y = self.layer_3(x, y, mask_pad_x, mask_tril_y)
return y
# 主模型
class Transformer(torch.nn.Module):
def __init__(self):
super().__init__()
self.x_embed = util.PositionEmbedding()
self.y_embed = util.PositionEmbedding()
self.encoder = Encoder()
self.decoder = Decoder()
self.fc_out = torch.nn.Linear(32, 39)
def forward(self, x, y):
# 创建mask [b, 1, 50, 50]
mask_pad_x = mask.mask_pad(x)
mask_tril_y = mask.mask_tril(y)
# 编码,添加位置信息
# x = [b, 50] -> [b, 50, 32]
# y = [b, 50] -> [b, 50, 32]
x = self.x_embed(x)
y = self.y_embed(y)
# 编码层计算
# [b, 50, 32] -> [b, 50, 32]
x = self.encoder(x, mask_pad_x)
# 解码层计算
# [b, 50, 32],[b, 50, 32] -> [b, 50, 32]
y = self.decoder(x, y, mask_pad_x, mask_tril_y)
# 全连接输出,维度不变
# [b, 50, 32] -> [b, 50, 39]
out = self.fc_out(y)
return out
main.py
import torch
from torch.nn.modules.loss import CrossEntropyLoss
import model
import mask
from data import dict_x, dict_y, loader
import util
# 预测函数,循环执行transformer。得到输出,每次transformer预测一个词
def predict(x):
# x = [1, 50]
transformer.eval()# 开启评估模式
# [1, 1, 50, 50]
mask_pad_x = mask.mask_pad(x)
# 初始化输出,这个是固定值
# [1, 50]
# [[0,2,2,2...]]
target = [dict_y['<SOS>']]+[dict_y['<PAD>']]*49
target = torch.tensor(target).unsqueeze(0)
# x编码,添加位置信息
# [1, 50] -> [1, 50, 32]
x = transformer.x_embed(x)
# 编码层计算,维度不变
# [1, 50, 32] -> [1, 50, 32]
x = transformer.encoder(x, mask_pad_x)
# 遍历生成第1个词到第49个词
for i in range(49):
# [1, 50]
y = target
# 生成mask掩码 [1, 1, 50, 50]
mask_tril_y = mask.mask_tril(y)
# y编码,添加位置信息
# [1, 50] -> [1, 50, 32]
y = transformer.y_embed(y)
# 解码层计算,维度不变
# [1, 50, 32],[1, 50, 32] -> [1, 50, 32]
y = transformer.decoder(x, y, mask_pad_x, mask_tril_y)
# 全连接输出,39分类
# [1, 50, 32] -> [1, 50, 39]
out = transformer.fc_out(y)
# 取出当前词的输出
# [1, 50, 39] -> [1, 39]
out = out[:, i, :]
# 取出分类结果
# [1, 39] -> [1]
out = out.argmax(dim=1).detach()# 未解:为什么要加detach?
# 以当前词预测下一个词,填到结果中
target[:, i+1] = out
return target
transformer = model.Transformer()
loss = torch.nn.CrossEntropyLoss()
trainer = torch.optim.Adam(transformer.parameters(), lr=2e-3)
epochs = 1# 训练迭代次数
# 训练模型
for epoch in range(epochs):
for i, (x, y) in enumerate(loader):
# x = [8, 50]
# y = [8, 51]
# 在训练时,是拿y的每一个字符输入,预测下一个字符,所以不需要最后一个字
# [8, 50, 39]
pred = transformer(x, y[:, :-1])
# [8, 50, 39] -> [400, 39]
pred = pred.reshape(-1, 39)
# [8, 51] -> [400]
y = y[:, 1:].reshape(-1)
# 忽略pad
select = y!=dict_y['<PAD>']
pred = pred[select]
y = y[select]
# 计算梯度并更新
l = loss(pred, y)
trainer.zero_grad()
l.backward()
trainer.step()
# 打印数据
if 0 == i%200:
# [select, 39] -> [select]
pred = pred.argmax(dim=1)
correct = (pred==y).sum().item()# 预测正确的词的数量
accuracy = correct/len(pred)
print('epoch:{}, i:{}, loss:{}, accuracy:{}'.format(epoch, i, l, accuracy))