大家好，今天和各位分享一下 Transformer 中的 Decoder 部分涉及到的知识点：计算 self-attention 时用到的两种 mask。
本文是对前两篇文章的补充，强烈建议大家先看一下：
1.《Transformer代码复现》：https://blog.csdn.net/dgvv4/article/details/125491693
2.《Transformer中的Encoder机制》：https://blog.csdn.net/dgvv4/article/details/125507206
1. Decoder 的 self-attention 中的 mask
本节介绍的 mask 对应模型结构图中的位置：
如下图，decoder 的 self-attention 中使用的 mask 是一个下三角矩阵，当 decoder 预测第一个单词时，给它的输入是一个特殊字符 x1，当 decoder 预测第二个位置时，给它的输入是特殊字符 x1 和目标序列的第一个单词 x2
下面举一个例子：
encoder的输入: i love you
decoder的输入: /f 我 爱 你
此时的 decoder 是由4个词组成的向量，Mask 是一个 4*4 大小的矩阵
当 decoder 预测第一个单词 '我' 时, decoder 的输入是一个特殊字符 '/f'，mask为[1,0,0,0]
当 decoder 预测第二个单词 '爱' 时, decoder 的输入是一个特殊字符 '/f' 和第一个单词 '我'，mask为[1,1,0,0]
代码如下：
import torch
from torch.nn import functional as F
# ------------------------------------------------------ #
#（1）构建下三角形状的mask
# ------------------------------------------------------ #
# 目标序列中有两个句子，分别包含3、4个单词
tgt_len = torch.Tensor([3,4]).to(torch.int32)
# 目标序列有效单词矩阵 shape=[3,3], shape=[4,4]
tgt_matrix = [torch.ones(L, L) for L in tgt_len]
# 对每个元素全为1句子矩阵构造一个下三角矩阵
tri_matrix = [torch.tril(mat) for mat in tgt_matrix]
# 第一个句子长度为3，生成3*3大小且下三角区域的元素权威1，其余全为0的矩阵
print(tri_matrix) # 每个mask的shape=[seq_len,seq_len]
# 构建有效单词的矩阵，通过padding将每个句子的矩阵大小调整成一样的
new_tri_matrix = [] # 保存padding后mask矩阵
for seq_len, matrix in zip(tgt_len, tri_matrix): # 遍历每个下三角矩阵mask
matrix = F.pad(matrix, pad=(0,max(tgt_len)-seq_len,0,max(tgt_len)-seq_len)) # 在矩阵的下方和右侧padding成相同相撞
matrix = torch.unsqueeze(matrix, dim=0) # 维度扩充[seq_len,seq_len]==>[1,seq_len,seq_len]
new_tri_matrix.append(matrix)
# 将列表类型变成tensor, 其中值为0对应的元素代表需要mask掉
valid_tri_matrix = torch.cat(new_tri_matrix, dim=0)
print('有效下三角矩阵mask:', valid_tri_matrix) # shape=[2,4,4]
# 将需要mask的元素用布尔类型表示，True代表需要mask
invalid_tri_matrix = (1 - valid_tri_matrix).to(torch.bool)
print('布尔mask:', invalid_tri_matrix)
# ------------------------------------------------------ #
#（2）对decoder的输入张量做mask
# ------------------------------------------------------ #
# 随机初始化一个 Q @ K^T 的计算结果 [batch, tgt_seq_len, tgt_seq_len]
score = torch.randn(2, max(tgt_len), max(tgt_len))
# 将mask中True元素对应score中的值变成非常小的值
masked_score = score.masked_fill(invalid_tri_matrix, value=-1e10)
# 将mask后的结果经过softmax，得到注意力矩阵
softmax_score = F.softmax(masked_score, dim=-1)
print('原始输入:', score)
print('mask后的输入:', masked_score)然后构造一个 decoder 的输入 ，它的 shape=[batch, seq_len, seq_len]，如下面的第三个矩阵。
将输入张量 score 中与 mask 中True元素对应的位置变成一个非常小的数，如下面的第四个矩阵。
# 有效下三角矩阵mask:
tensor([[[1., 0., 0., 0.],
[1., 1., 0., 0.],
[1., 1., 1., 0.],
[0., 0., 0., 0.]],
[[1., 0., 0., 0.],
[1., 1., 0., 0.],
[1., 1., 1., 0.],
[1., 1., 1., 1.]]])
# 布尔mask:
tensor([[[False, True, True, True],
[False, False, True, True],
[False, False, False, True],
[ True, True, True, True]],
[[False, True, True, True],
[False, False, True, True],
[False, False, False, True],
[False, False, False, False]]])
# 原始输入scorce:
tensor([[[ 0.5266, -0.7873, -0.2481, 0.5554],
[-1.3146, 0.1668, -1.6488, -0.5159],
[-0.1590, -2.1458, 0.0217, 0.4044],
[ 1.0169, 0.8640, -0.9029, 0.5957]],
[[-0.6277, 0.0611, -1.3732, -0.6897],
[-1.3523, 0.6712, 0.0491, 2.2301],
[ 0.4627, 0.1737, 1.0111, -1.4099],
[ 0.1994, 0.2538, 0.5689, -0.2558]]])
# mask后的输入:
tensor([[[ 5.2655e-01, -1.0000e+10, -1.0000e+10, -1.0000e+10],
[-1.3146e+00, 1.6676e-01, -1.0000e+10, -1.0000e+10],
[-1.5899e-01, -2.1458e+00, 2.1674e-02, -1.0000e+10],
[-1.0000e+10, -1.0000e+10, -1.0000e+10, -1.0000e+10]],
[[-6.2770e-01, -1.0000e+10, -1.0000e+10, -1.0000e+10],
[-1.3523e+00, 6.7119e-01, -1.0000e+10, -1.0000e+10],
[ 4.6272e-01, 1.7366e-01, 1.0111e+00, -1.0000e+10],
[ 1.9943e-01, 2.5381e-01, 5.6886e-01, -2.5576e-01]]])2. Decoder 中特征序列和目标序列之间的 Mask
该部分的 mask 代码对应结构图中的区域如下。这部分的 mask 涉及到目标序列和特征序列，在计算 self-attention 时，是目标序列的 query 和特征序列的 key、value 做计算。其中 key 和 value 是 Encoder 的输出，query 是上一个 DecoderBlock 的输出。
首先分别构造一个特征序列和一个目标序列，特征序列中第一句话有2个单词，第二句话有4个单词；目标序列中的第一句话有3个单词，第二句话有5个单词。
接下来就需要把特征序列和目标序列的长度各自给统一起来，将特征序列的所有句子都填充成4个单词，目标序列的所有句子都填充成5个单词。有效单词区域的元素用 1 来表示，padding 的元素用 0 来表示。
代码如下：
# Decoder部分的目标序列对特征序列的muti-head-attention中的mask
# 目标序列和特征序列之间的长度不一样，需要将原序列中和目标序列中padding后的元素mask掉
import torch
from torch import nn
from torch.nn import functional as F
# ------------------------------------------------------ #
#（1）构造序列
# ------------------------------------------------------ #
src_len = torch.Tensor([2,4]).to(torch.int32) # 特征序列中有两个句子，分别包含2、4个单词
tgt_len = torch.Tensor([3,5]).to(torch.int32) # 目标序列中有两个句子，分别包含3、5个单词
# 对序列编码，有效单词位置的元素为1
valid_src_pos = [torch.ones(L) for L in src_len] # 特征序列 [tensor([1., 1.]), tensor([1., 1., 1., 1.])]
valid_tgt_pos = [torch.ones(L) for L in tgt_len] # 目标序列 [tensor([1., 1., 1.]), tensor([1., 1., 1., 1., 1.])]
# 在计算时需要保证特征序列的长度和目标序列的长度一致，因此将每句话的单词数padding成相同长度
max_src_len = max(src_len) # 将特征序列的单词数统一成4个
max_tgt_len = max(tgt_len) # 将目标序列的单词数统一成5个
new_valid_pos = [] # 保存padding后的特征序列和目标序列
for sent in valid_src_pos: # 遍历每个特征句子
sent = F.pad(sent, pad=(0, max_src_len - len(sent))) # 将每句话的长度填充到4
sent = torch.unsqueeze(sent, dim=0) # 维度扩充 [max_src_len]==>[1, max_src_len]
new_valid_pos.append(sent)
for sent in valid_tgt_pos: # 遍历每个目标句子
sent = F.pad(sent, pad=(0, max_tgt_len - len(sent))) # 将每句话的长度填充到5
sent = torch.unsqueeze(sent, dim=0) # 维度扩充 [max_tgt_len]==>[1, max_tgt_len]
new_valid_pos.append(sent)
# 前两个句子属于特征序列，后两个句子属于目标序列。将列表类型在axis=0维度上堆叠
valid_src_pos = torch.cat(new_valid_pos[:2], dim=0) # tensor([[1., 1., 0., 0.], [1., 1., 1., 1.]])
valid_tgt_pos = torch.cat(new_valid_pos[2:], dim=0) # tensor([[1., 1., 1., 0., 0.], [1., 1., 1., 1., 1.]])
# ------------------------------------------------------ #
#（2）构造mask
# Q @ K^T 的shape为 [batch, tgt_seq_len, src_seq_len]
# 因此mask的shape也为 [batch, tgt_seq_len, src_seq_len]
# ------------------------------------------------------ #
# 有效特征序列[2,4]==>[2,4,1], 有效目标序列[2,5]==>[2,5,1]
valid_src_pos = torch.unsqueeze(valid_src_pos, dim=-1) # 值为1的元素代表有效单词，值为0的元素代表padding后的区域
valid_tgt_pos = torch.unsqueeze(valid_tgt_pos, dim=-1)
# 计算目标序列对特征序列有效性关系的矩阵，元素为0代表是padding后的单词
# [b, tgt_seq_len, 1] @ [b, 1, src_seq_len] = [b, tgt_seq_len, src_seq_len]
valid_cross_pos_matrix = torch.bmm(valid_tgt_pos, valid_src_pos.transpose(1,2))
print('有效关系矩阵：', valid_cross_pos_matrix) # torch.Size([2, 5, 4])
# 得到无效矩阵，1代表需要mask的元素，变成布尔类型，True代表需要mask的元素
invalid_cross_pos_matrix = 1 - valid_cross_pos_matrix
invalid_cross_pos_matrix = invalid_cross_pos_matrix.to(torch.bool)
print('mask矩阵:', invalid_cross_pos_matrix) # torch.Size([2, 5, 4])
# ------------------------------------------------------ #
#（3）对输入张量做mask
# ------------------------------------------------------ #
# 随机初始化一个 Q @ K^T 的计算结果 [batch, tgt_seq_len, src_seq_len]
score = torch.randn(2, 5, 4)
# mask中True元素对应的score中的元素值变成一个非常小的数
masked_score = torch.masked_fill(score, mask=invalid_cross_pos_matrix, value=-1e10)
print('原输入:', score)
print('打上mask后的输入:', masked_score)接下来构造 mask，它的 shape 是和 Q@K^T 计算后的矩阵的 shape 相同，即 [batch, tgt_seq_len, src_seq_len]，其中 tgt_seq_len 代表目标序列中每个句子包含多少个单词，src_seq_len 代表特征序列中每个句子包含多少个单词。
下面的第一个矩阵代表对目标序列和特征序列计算关系矩阵，元素为1代表有效单词，0 代表是经过padding 后得到的单词。
之后计算一个无效区域矩阵，将所有 padding 得到的单词区域像素值变成 True，代表需要将这个元素 mask 掉。如下面的第二个矩阵。
然后构造一个和 self-attention 中 Q@K^T 计算结果 shape 相同的输入 source，如下面的第三个矩阵。
然后对输入 source 添加 mask，将 mask 中元素 True 对应的 source 元素变成一个非常小的值，这样在梯度反向传播过程中 padding 的元素梯度更新非常小，降低 padding 区域对有效单词区域的影响。如下面的第四个矩阵。
# 有效关系矩阵：
tensor([[[1., 1., 0., 0.],
[1., 1., 0., 0.],
[1., 1., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]],
[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]]])
# mask矩阵:
tensor([[[False, False, True, True],
[False, False, True, True],
[False, False, True, True],
[ True, True, True, True],
[ True, True, True, True]],
[[False, False, False, False],
[False, False, False, False],
[False, False, False, False],
[False, False, False, False],
[False, False, False, False]]])
# 原输入:
tensor([[[ 1.4030, -0.0176, -2.9678, -0.5551],
[ 2.6138, -0.8088, 0.6641, -0.0128],
[-0.0370, -0.3206, -0.6634, 0.3626],
[ 1.1978, 1.9831, -0.3541, -0.8766],
[ 0.0655, 0.4267, -0.3459, 1.8217]],
[[-0.2351, -1.3515, 0.4783, -0.9379],
[ 0.2302, -1.5482, -0.0825, 1.0711],
[-0.3793, -0.9595, 0.9457, -1.5746],
[ 0.3685, 1.1116, -2.3528, -0.3916],
[-1.2416, 0.9410, -0.5407, 0.8035]]])
# 打上mask后的输入:
tensor([[[ 1.4030e+00, -1.7624e-02, -1.0000e+10, -1.0000e+10],
[ 2.6138e+00, -8.0884e-01, -1.0000e+10, -1.0000e+10],
[-3.7038e-02, -3.2057e-01, -1.0000e+10, -1.0000e+10],
[-1.0000e+10, -1.0000e+10, -1.0000e+10, -1.0000e+10],
[-1.0000e+10, -1.0000e+10, -1.0000e+10, -1.0000e+10]],
[[-2.3507e-01, -1.3515e+00, 4.7825e-01, -9.3789e-01],
[ 2.3023e-01, -1.5482e+00, -8.2474e-02, 1.0711e+00],
[-3.7931e-01, -9.5949e-01, 9.4568e-01, -1.5746e+00],
[ 3.6855e-01, 1.1116e+00, -2.3528e+00, -3.9157e-01],
[-1.2416e+00, 9.4099e-01, -5.4066e-01, 8.0347e-01]]])
2576
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
