网络资料整理个人学习,感谢各位大神!(若侵则删)
问题1: Transformer和LSTM
Transformer | LSTM | |
结构 | 基于注意力机制(self-attention)的模型,通过同时处理整个序列的信息 | 基于递归的循环神经网络。旨在解决传统RNN在处理长序列时遇到的梯度消失和梯度爆炸问题。LSTM通过引入门控机制(包括输入门、遗忘门和输出门)来控制信息的流动,从而实现对长期依赖关系的有效捕捉。 |
特性 | Transformer则具有强大的并行化能力和全局信息捕捉能力,适用于处理大规模序列数据;在处理大规模机器翻译或文本摘要等任务时,Transformer可能更具优势 | LSTM通过门控机制有效捕捉长期依赖关系,适用于处理长序列数据;在处理长文本或语音等序列数据时,LSTM可能是一个更好的选择 |
优缺点 | 优点: 并行化能力强:Transformer的并行化能力非常强,可以显著提高模型的训练速度。 计算复杂度:Transformer的计算复杂度较高,特别是当序列长度较长时,其计算量会显著增加。 |
优点: 长期依赖捕捉:LSTM通过门控机制能够有效捕捉序列中的长期依赖关系,特别适用于处理长序列数据。 计算复杂度:LSTM在每个时间步都需要进行一系列的门控操作,导致计算复杂度较高。 |
问题2: Transfomer结构简介
左边是编码器部分,主要作用是将原始输入数据编码成计算机能理解的高维抽象表示。
编码器由 N = 6 个相同的堆叠层组成。 每层有两个子层。 第一个子层是多头自注意力机制,第二个子层是简单的全连接前馈网络,并对输入采用残差连接,然后进行层归一化。 即每个子层的输出为LayerNorm(x + Sublayer(x)),其中Sublayer(x)是子层本身实现的函数。
它的结构是多头注意力机制+全连接神经网络。此外用了残差连接(Residualconnection),将输入和多头注意力层或全连接神经网络的输出相加,再传递给下一层,避免梯度递减的问题。
右边是解码器的部分,主要作用是利用高维表示信息生成目标序列。
解码器也是由 N = 6 个相同的堆叠层组成。 除了每个编码器层中的两个子层之外,解码器还插入第三个子层,该子层对编码器堆叠的输出执行多头注意力。 与编码器类似,在每个子层周围采用残差连接,然后进行层归一化,这里还修改了解码器堆叠层中的自注意力子层,以防止位置关注后续位置。 这种掩蔽与输出嵌入偏移一个位置的事实相结合,确保位置 i 的预测只能依赖于小于 i 的位置处的已知输出。
掩码多头自注意力(Masked-Multi-head self attention),即在计算注意力得分时,模型只能关注生成内容的当前位置之前的信息,避免未来信息的泄漏。
问题3: 手撕多头自注意力机制代码
import torch
import torch.nn as nn
import math
class MultiHeadSelfAttention(nn.Module):
"""
多头注意力模块,用于实现transformer模型中的注意力机制。
参数:
model_dim: 模型维度,即输入和输出的向量维度。
num_heads: 注意力头的数量。
dropout_rate: Dropout率,防止模型过拟合,默认为0.1。
"""
def __init__(self, model_dim, num_heads, dropout_rate=0.1):
super(MultiHeadSelfAttention, self).__init__()
self.model_dim = model_dim
self.num_heads = num_heads
self.head_dim = model_dim // num_heads
assert model_dim % num_heads == 0, "model_dim 必须能整除注意力头的数量。"
self.query_projection = nn.Linear(model_dim, model_dim)
self.key_projection = nn.Linear(model_dim, model_dim)
self.value_projection = nn.Linear(model_dim, model_dim)
self.output = nn.Linear(model_dim, model_dim)
self.dropout = nn.Dropout(dropout_rate)
self.softmax = nn.Softmax(dim=-1)
def forward(self, inputs, attention_mask=None, target=None):
"""
前向传播函数。
参数:
- inputs: 输入张量,形状为(batch_size, sequence_length, model_dim)。
- mask: 掩码张量,形状为(batch_size, sequence_length, sequence_length)。
返回:
- output: 输出张量,形状为(batch_size, sequence_length, model_dim)。
"""
batch_size, sequence_length, _ = inputs.shape
# 对Query、Key和Value进行线性变换
querys = self.query_projection(inputs)
keys = self.key_projection(inputs)
values = self.value_projection(inputs)
# 进行矩阵分割以实现多头注意力
querys = querys.reshape(batch_size, sequence_length, self.num_heads, self.head_dim).transpose(1, 2)
keys = keys.reshape(batch_size, sequence_length, self.num_heads, self.head_dim).transpose(1, 2)
values = values.reshape(batch_size, sequence_length, self.num_heads, self.head_dim).transpose(1, 2)
# 计算scaled dot-product attention,考虑注意力掩码
attention_scores = torch.matmul(querys, keys.transpose(-2, -1)) / math.sqrt(self.head_dim)
if attention_mask is not None:
attention_mask = attention_mask.unsqueeze(1).unsqueeze(2).expand(-1, self.num_heads, sequence_length, -1)
attention_scores = attention_scores.masked_fill(attention_mask == 0, float('-inf'))
attention_probs = self.softmax(attention_scores)
#应用训练阶段的dropout
if target is not None:
attention_probs = self.dropout(attention_probs)
attention_weights = torch.matmul(attention_probs, values).transpose(1, 2).reshape(batch_size, sequence_length, self.model_dim)
output = self.output(attention_weights)
return output, attention_probs
# 使用示例:
model_dim = 512
num_heads = 8
mask_attention = torch.IntTensor([[ 1 if i < 8 else 0 for i in range(10) ]])
attention_layer = MultiHeadSelfAttention(model_dim, num_heads)
inputs = torch.randn(1, 10, model_dim) # 假设我们有一个批次大小为1,序列长度为10,模型维度为512的输入
outputs, attention_weight= attention_layer(inputs