Transformer编码器的理解与PyTorch实现
前言
因为要用到ViT，而ViT主要使用的是Transformer中的编码器，于是花时间对编码器深入学习了一下，现在此记录一下。
Transformer模型的整体结构
论文：Attention is All You Need
Transformer模型是2017年Google公司在论文《Attention is All You Need》中提出的。自提出伊始，该模型便在NLP和CV界大杀四方，多次达到SOTA效果。目前，Transformer的应用主要有以下三类：
- ①机器翻译类应用-Encoder和Decoder共同使用；
- ②只使用Encoder端-文本分类BERT和图片分类ViT；
- ③只使用Decoder端-生成类模型。
上图就是Transformer模型的整体结构图，从图中，可以看出模型宏观上可分为两个大模块，
一个是编码器，另一个是解码器。下面，我重点讲解一下我对编码器的理解与各部分的PyTorch代码实现。
个人理解
编码器部分的结构如下图所示：
# 句子的输入部分:
# ich mochte ein bier P: 编码端的输入，P代表填充字符Pad
# S i want a beer: 解码端的输入，S代表Start
# i want a beer E: 解码端的真实标签，E代表End
sentences = ['ich mochte ein bier P', 'S i want a beer', 'i want a beer E']
我自己学习时推导的笔记如下，欢迎批评讨论。
各部分PyTorch代码实现
进来的句子，首先进入模型的Encoder部分。
# --------------------------------------------------#
# 从整体网络结构来看，分为三个部分：编码层，解码层，输出层
# --------------------------------------------------#
class Transformer(nn.Module):
def __init__(self):
super(Transformer, self).__init__()
self.encoder = Encoder() # 编码层
self.decoder = Decoder() # 解码层
# 输出层的d_model是我们解码层每个token输出的维度大小，之后会做一个tgt_vocab_size大小的softmax
self.projection = nn.Linear(d_model, tgt_vocab_size, bias=False)
def forward(self, enc_inputs, dec_inputs):
"""
这里有两个数据进行输入，一个是enc_inputs，形状为[batch_size, src_len]，主要是作为编码端的输入，一个是dec_inputs，
形状为[batch_size, tgt_len]，主要是作为解码端的输入.
enc_inputs作为输入，形状为[batch_size, src_len]，输出由自己的函数内部指定，想要什么指定输出什么，可以是全部tokens的输出，
可以是特定每一层的输出，也可以是中间某些参数的输出；
"""
# enc_outputs就是编码端的输出，enc_self_attns这里没记错的话是QK转置相乘经softmax之后的矩阵值，代表
# 的是每个单词和其他单词的相关性，即相关性矩阵；
enc_outputs, enc_self_attns = self.encoder(enc_inputs)
# dec_outputs是decoder的主要输出，用于后续的linear映射； dec_self_attns类比于enc_self_attns，
# 是查看每个单词对decoder中输入的其余单词的相关性；dec_enc_attns是decoder中每个单词对encoder中每
# 个单词的相关性；
dec_outputs, dec_self_attns, dec_enc_attns = self.decoder(dec_inputs, enc_inputs, enc_outputs)
# dec_outputs做映射到词表大小
# dec_logits : [batch_size x src_vocab_size x tgt_vocab_size]
dec_logits = self.projection(dec_outputs)
return dec_logits.view(-1, dec_logits.size(-1)), enc_self_attns, dec_self_attns, dec_enc_attns
Encoder的代码实现
进入Encoder后，首先进行Embedding，然后进行Positional Encoding。Embedding使用了nn.Embedding。
# -----------------------------------------------------------------------------#
# Encoder部分包含三个部分：词向量embedding，位置编码部分，自注意力层及后续的前馈神经网络
# -----------------------------------------------------------------------------#
class Encoder(nn.Module):
def __init__(self):
super(Encoder, self).__init__()
# 这行其实就是生成一个矩阵，大小是: src_vocab_size * d_model
self.src_emb = nn.Embedding(src_vocab_size, d_model)
# 位置编码，这里是固定的正余弦函数，也可以使用类似词向量的nn.Embedding获得一个可以更新学习的位置编码
self.pos_emb = PositionalEncoding(d_model)
# 使用ModuleList对多个encoder进行堆叠，因为后续的encoder并没有使用词向量和位置编码，所以抽离出来；
self.layers = nn.ModuleList([EncoderLayer() for _ in range(n_layers)])
def forward(self, enc_inputs):
"""
这里我们的enc_inputs形状是： [batch_size x source_len]
"""
# 下面这行代码通过src_emb进行索引定位，enc_outputs输出形状是[batch_size, src_len, d_model]
enc_outputs = self.src_emb(enc_inputs)
# 这行是位置编码，把两者相加放到了pos_emb函数里面
enc_outputs = self.pos_emb(enc_outputs.transpose(0, 1)).transpose(0, 1)
# get_attn_pad_mask是为了得到句子中pad的位置信息，给到模型后面，在计算自注意力和交互注意力的时候去掉pad符号的影响
enc_self_attn_mask = get_attn_pad_mask(enc_inputs, enc_inputs)
enc_self_attns = []
for layer in self.layers:
# 去看EncoderLayer层函数
enc_outputs, enc_self_attn = layer(enc_outputs, enc_self_attn_mask)
enc_self_attns.append(enc_self_attn)
return enc_outputs, enc_self_attns
Positional Encoding的代码实现
位置编码计算公式如下：
# ------------------------------#
# Positional Encoding的代码实现
# ------------------------------#
class PositionalEncoding(nn.Module):
def __init__(self, d_model, dropout=0.1, max_len=5000):
super(PositionalEncoding, self).__init__()
# 位置编码的实现其实很简单，直接对照着公式去敲代码就可以，下面的代码只是其中的一种实现方式；
# 从理解来讲，需要注意的就是偶数和奇数在公式上有一个共同部分，我们使用log函数把次方拿下来，方便计算；
# pos代表的是单词在句子中的索引，这点需要注意；比如max_len是128个，那么索引就是从0，1，2，...,127
# 假设我的d_model是512，2i以步长2从0取到了512，那么i对应取值就是0,1,2...255
self.dropout = nn.Dropout(p=dropout)
pe = torch.zeros(max_len, d_model)
position = torch.arange(0, max_len, dtype=torch.float).unsqueeze(1)
div_term = torch.exp(torch.arange(0, d_model, 2).float() * (-math.log(10000.0) / d_model))
pe[:, 0::2] = torch.sin(position * div_term) # 这里需要注意的是pe[:, 0::2]这个用法，就是从0开始到最后面，步长为2，其实代表的就是偶数位置
pe[:, 1::2] = torch.cos(position * div_term) # 这里需要注意的是pe[:, 1::2]这个用法，就是从1开始到最后面，步长为2，其实代表的就是奇数位置
# 下面这行代码之后，我们得到的pe形状是：[max_len * 1 * d_model]
pe = pe.unsqueeze(0).transpose(0, 1)
self.register_buffer('pe', pe) # 定一个缓冲区，其实简单理解为这个参数不更新就可以
def forward(self, x):
"""
x: [seq_len, batch_size, d_model]
"""
x = x + self.pe[:x.size(0), :]
return self.dropout(x)
注意：在Positional Encoding的时候，在forward中已经将Embedding加了进去，因此，PositionalEncoding类返回的结果直接进EncoderLayer。
get_attn_pad_mask的实现
PositionalEncoding类返回的结果在进入EncoderLayer之前，需要得到句子中pad的位置信息，给到模型后面，进而在计算自注意力和交互注意力的时候去掉pad符号的影响。get_attn_pad_mask函数就是做的这个事情。
# --------------------------#
# get_attn_pad_mask的实现：
# --------------------------#
# 比如说，我现在的句子长度是5，在后面注意力机制的部分，我们在计算出来QK转置除以根号之后，softmax之前，我们得到的形状len_input * len*input
# 代表每个单词对其余包含自己的单词的影响力。所以这里我需要有一个同等大小形状的矩阵，告诉我哪个位置是PAD部分，之后在计算softmax之前会把这里置
# 为无穷大；一定需要注意的是这里得到的矩阵形状是batch_size x len_q x len_k，我们是对k中的pad符号进行标识，并没有对k中的做标识，因为没必要。
# seq_q和seq_k不一定一致，在交互注意力，q来自解码端，k来自编码端，所以告诉模型编码这边的pad符号信息就可以，解码端的pad信息在交互注意力层是
# 没有用到的；
def get_attn_pad_mask(seq_q, seq_k):
batch_size, len_q = seq_q.size()
batch_size, len_k = seq_k.size()
# eq(zero) is PAD token
pad_attn_mask = seq_k.data.eq(0).unsqueeze(1) # batch_size x 1 x len_k, one is masking
return pad_attn_mask.expand(batch_size, len_q, len_k) # batch_size x len_q x len_k
为什么需要告诉后面的模型哪些位置被PAD填充，请看下图：
EncoderLayer的实现
EncoderLayer主要包含两部分：多头注意力机制和前馈神经网络。
# ---------------------------------------------------#
# EncoderLayer：包含两个部分，多头注意力机制和前馈神经网络
# ---------------------------------------------------#
class EncoderLayer(nn.Module):
def __init__(self):
super(EncoderLayer, self).__init__()
self.enc_self_attn = MultiHeadAttention()
self.pos_ffn = PoswiseFeedForwardNet()
def forward(self, enc_inputs, enc_self_attn_mask):
"""
下面这个就是做自注意力层，输入是enc_inputs，形状是[batch_size x seq_len_q x d_model]，需要注意的是最初始的QKV矩阵是等同于这个
输入的，去看一下enc_self_attn函数.
"""
# enc_inputs to same Q,K,V
enc_outputs, attn = self.enc_self_attn(enc_inputs, enc_inputs, enc_inputs, enc_self_attn_mask)
# enc_outputs: [batch_size x len_q x d_model]
enc_outputs = self.pos_ffn(enc_outputs)
return enc_outputs, attn
MultiHeadAttention的实现
多头注意力机制的计算公式为：
# -------------------------#
# MultiHeadAttention的实现
# -------------------------#
class MultiHeadAttention(nn.Module):
def __init__(self):
super(MultiHeadAttention, self).__init__()
# 输入进来的QKV是相等的，我们会使用linear做一个映射得到参数矩阵Wq, Wk,Wv
self.W_Q = nn.Linear(d_model, d_k * n_heads)
self.W_K = nn.Linear(d_model, d_k * n_heads)
self.W_V = nn.Linear(d_model, d_v * n_heads)
self.linear = nn.Linear(n_heads * d_v, d_model)
self.layer_norm = nn.LayerNorm(d_model)
def forward(self, Q, K, V, attn_mask):
# 这个多头注意力机制分为这几个步骤，首先映射分头，然后计算atten_scores，然后计算atten_value;
# 输入进来的数据形状： Q: [batch_size x len_q x d_model], K: [batch_size x len_k x d_model],
# V: [batch_size x len_k x d_model]
residual, batch_size = Q, Q.size(0)
# (B, S, D) -proj-> (B, S, D) -split-> (B, S, H, W) -trans-> (B, H, S, W)
# 下面这个就是先映射，后分头；一定要注意的是q和k分头之后维度是一致额，所以一看这里都是dk
# q_s: [batch_size x n_heads x len_q x d_k]
q_s = self.W_Q(Q).view(batch_size, -1, n_heads, d_k).transpose(1, 2)
# k_s: [batch_size x n_heads x len_k x d_k]
k_s = self.W_K(K).view(batch_size, -1, n_heads, d_k).transpose(1, 2)
# v_s: [batch_size x n_heads x len_k x d_v]
v_s = self.W_V(V).view(batch_size, -1, n_heads, d_v).transpose(1, 2)
# 输入进来的attn_mask形状是batch_size x len_q x len_k，然后经过下面这个代码得到
# 新的attn_mask: [batch_size x n_heads x len_q x len_k]，就是把pad信息重复到了n个头上
attn_mask = attn_mask.unsqueeze(1).repeat(1, n_heads, 1, 1)
# 然后我们运行ScaledDotProductAttention这个函数
# 得到的结果有两个：context: [batch_size x n_heads x len_q x d_v], attn: [batch_size x n_heads x len_q x len_k]
context, attn = ScaledDotProductAttention()(q_s, k_s, v_s, attn_mask)
# context: [batch_size x len_q x n_heads * d_v]
context = context.transpose(1, 2).contiguous().view(batch_size, -1, n_heads * d_v)
output = self.linear(context)
return self.layer_norm(output + residual), attn # output: [batch_size x len_q x d_model]
PoswiseFeedForwardNet的实现
# ----------------------------#
# PoswiseFeedForwardNet的实现
# ----------------------------#
class PoswiseFeedForwardNet(nn.Module):
def __init__(self):
super(PoswiseFeedForwardNet, self).__init__()
self.conv1 = nn.Conv1d(in_channels=d_model, out_channels=d_ff, kernel_size=1)
self.conv2 = nn.Conv1d(in_channels=d_ff, out_channels=d_model, kernel_size=1)
self.layer_norm = nn.LayerNorm(d_model)
def forward(self, inputs):
residual = inputs # inputs : [batch_size, len_q, d_model]
output = nn.ReLU()(self.conv1(inputs.transpose(1, 2)))
output = self.conv2(output).transpose(1, 2)
return self.layer_norm(output + residual)
Transformer模型的PyTorch实现
以下是Transformer模型的整体PyTorch实现，代码可正常运行。
"""
original from:
https://github.com/graykode/nlp-tutorial/blob/master/5-1.Transformer/Transformer.ipynb
"""
import numpy as np
import torch
import torch.nn as nn
import torch.optim as optim
import math
def make_batch(sentences):
input_batch = [[src_vocab[n] for n in sentences[0].split()]]
output_batch = [[tgt_vocab[n] for n in sentences[1].split()]]
target_batch = [[tgt_vocab[n] for n in sentences[2].split()]]
return torch.LongTensor(input_batch), torch.LongTensor(output_batch), torch.LongTensor(target_batch)
# ----------------------------------#
# get_attn_subsequent_mask的实现
# ----------------------------------#
def get_attn_subsequent_mask(seq):
"""
seq: [batch_size, tgt_len]
"""
attn_shape = [seq.size(0), seq.size(1), seq.size(1)]
# attn_shape: [batch_size, tgt_len, tgt_len]
subsequence_mask = np.triu(np.ones(attn_shape), k=1) # 生成一个上三角矩阵
subsequence_mask = torch.from_numpy(subsequence_mask).byte()
return subsequence_mask # [batch_size, tgt_len, tgt_len]
# ----------------------------------#
# ScaledDotProductAttention的实现
# ----------------------------------#
class ScaledDotProductAttention(nn.Module):
def __init__(self):
super(ScaledDotProductAttention, self).__init__()
def forward(self, Q, K, V, attn_mask):
# 输入进来的维度分别是 [batch_size x n_heads x len_q x d_k] K： [batch_size x n_heads x len_k x d_k]
# V: [batch_size x n_heads x len_k x d_v]
# 首先经过matmul函数得到的scores形状是: [batch_size x n_heads x len_q x len_k]
scores = torch.matmul(Q, K.transpose(-1, -2)) / np.sqrt(d_k)
# 然后最关键的地方来了，下面这个就是用到了我们之前重点讲的attn_mask，把被mask的地方置为无限小，softmax之后基本就是0，对其他单词就不会起作用
scores.masked_fill_(attn_mask, -1e9) # Fills elements of self tensor with value where mask is one.
attn = nn.Softmax(dim=-1)(scores)
context = torch.matmul(attn, V)
return context, attn
# -------------------------#
# MultiHeadAttention的实现
# -------------------------#
class MultiHeadAttention(nn.Module):
def __init__(self):
super(MultiHeadAttention, self).__init__()
# 输入进来的QKV是相等的，我们会使用linear做一个映射得到参数矩阵Wq, Wk,Wv
self.W_Q = nn.Linear(d_model, d_k * n_heads)
self.W_K = nn.Linear(d_model, d_k * n_heads)
self.W_V = nn.Linear(d_model, d_v * n_heads)
self.linear = nn.Linear(n_heads * d_v, d_model)
self.layer_norm = nn.LayerNorm(d_model)
def forward(self, Q, K, V, attn_mask):
# 这个多头注意力机制分为这几个步骤，首先映射分头，然后计算atten_scores，然后计算atten_value;
# 输入进来的数据形状： Q: [batch_size x len_q x d_model], K: [batch_size x len_k x d_model],
# V: [batch_size x len_k x d_model]
residual, batch_size = Q, Q.size(0)
# (B, S, D) -proj-> (B, S, D) -split-> (B, S, H, W) -trans-> (B, H, S, W)
# 下面这个就是先映射，后分头；一定要注意的是q和k分头之后维度是一致额，所以一看这里都是dk
# q_s: [batch_size x n_heads x len_q x d_k]
q_s = self.W_Q(Q).view(batch_size, -1, n_heads, d_k).transpose(1, 2)
# k_s: [batch_size x n_heads x len_k x d_k]
k_s = self.W_K(K).view(batch_size, -1, n_heads, d_k).transpose(1, 2)
# v_s: [batch_size x n_heads x len_k x d_v]
v_s = self.W_V(V).view(batch_size, -1, n_heads, d_v).transpose(1, 2)
# 输入进来的attn_mask形状是batch_size x len_q x len_k，然后经过下面这个代码得到
# 新的attn_mask: [batch_size x n_heads x len_q x len_k]，就是把pad信息重复到了n个头上
attn_mask = attn_mask.unsqueeze(1).repeat(1, n_heads, 1, 1)
# 然后我们运行ScaledDotProductAttention这个函数
# 得到的结果有两个：context: [batch_size x n_heads x len_q x d_v], attn: [batch_size x n_heads x len_q x len_k]
context, attn = ScaledDotProductAttention()(q_s, k_s, v_s, attn_mask)
# context: [batch_size x len_q x n_heads * d_v]
context = context.transpose(1, 2).contiguous().view(batch_size, -1, n_heads * d_v)
output = self.linear(context)
return self.layer_norm(output + residual), attn # output: [batch_size x len_q x d_model]
# ----------------------------#
# PoswiseFeedForwardNet的实现
# ----------------------------#
class PoswiseFeedForwardNet(nn.Module):
def __init__(self):
super(PoswiseFeedForwardNet, self).__init__()
self.conv1 = nn.Conv1d(in_channels=d_model, out_channels=d_ff, kernel_size=1)
self.conv2 = nn.Conv1d(in_channels=d_ff, out_channels=d_model, kernel_size=1)
self.layer_norm = nn.LayerNorm(d_model)
def forward(self, inputs):
residual = inputs # inputs : [batch_size, len_q, d_model]
output = nn.ReLU()(self.conv1(inputs.transpose(1, 2)))
output = self.conv2(output).transpose(1, 2)
return self.layer_norm(output + residual)
# --------------------------#
# get_attn_pad_mask的实现：
# --------------------------#
# 比如说，我现在的句子长度是5，在后面注意力机制的部分，我们在计算出来QK转置除以根号之后，softmax之前，我们得到的形状len_input * len*input
# 代表每个单词对其余包含自己的单词的影响力。所以这里我需要有一个同等大小形状的矩阵，告诉我哪个位置是PAD部分，之后在计算softmax之前会把这里置
# 为无穷大；一定需要注意的是这里得到的矩阵形状是batch_size x len_q x len_k，我们是对k中的pad符号进行标识，并没有对k中的做标识，因为没必要。
# seq_q和seq_k不一定一致，在交互注意力，q来自解码端，k来自编码端，所以告诉模型编码这边的pad符号信息就可以，解码端的pad信息在交互注意力层是
# 没有用到的；
def get_attn_pad_mask(seq_q, seq_k):
batch_size, len_q = seq_q.size()
batch_size, len_k = seq_k.size()
# eq(zero) is PAD token
pad_attn_mask = seq_k.data.eq(0).unsqueeze(1) # batch_size x 1 x len_k, one is masking
return pad_attn_mask.expand(batch_size, len_q, len_k) # batch_size x len_q x len_k
# ------------------------------#
# Positional Encoding的代码实现
# ------------------------------#
class PositionalEncoding(nn.Module):
def __init__(self, d_model, dropout=0.1, max_len=5000):
super(PositionalEncoding, self).__init__()
# 位置编码的实现其实很简单，直接对照着公式去敲代码就可以，下面的代码只是其中的一种实现方式；
# 从理解来讲，需要注意的就是偶数和奇数在公式上有一个共同部分，我们使用log函数把次方拿下来，方便计算；
# pos代表的是单词在句子中的索引，这点需要注意；比如max_len是128个，那么索引就是从0，1，2，...,127
# 假设我的d_model是512，2i以步长2从0取到了512，那么i对应取值就是0,1,2...255
self.dropout = nn.Dropout(p=dropout)
pe = torch.zeros(max_len, d_model)
position = torch.arange(0, max_len, dtype=torch.float).unsqueeze(1)
div_term = torch.exp(torch.arange(0, d_model, 2).float() * (-math.log(10000.0) / d_model))
pe[:, 0::2] = torch.sin(position * div_term) # 这里需要注意的是pe[:, 0::2]这个用法，就是从0开始到最后面，步长为2，其实代表的就是偶数位置
pe[:, 1::2] = torch.cos(position * div_term) # 这里需要注意的是pe[:, 1::2]这个用法，就是从1开始到最后面，步长为2，其实代表的就是奇数位置
# 下面这行代码之后，我们得到的pe形状是：[max_len * 1 * d_model]
pe = pe.unsqueeze(0).transpose(0, 1)
self.register_buffer('pe', pe) # 定一个缓冲区，其实简单理解为这个参数不更新就可以
def forward(self, x):
"""
x: [seq_len, batch_size, d_model]
"""
x = x + self.pe[:x.size(0), :]
return self.dropout(x)
# ---------------------------------------------------#
# EncoderLayer：包含两个部分，多头注意力机制和前馈神经网络
# ---------------------------------------------------#
class EncoderLayer(nn.Module):
def __init__(self):
super(EncoderLayer, self).__init__()
self.enc_self_attn = MultiHeadAttention()
self.pos_ffn = PoswiseFeedForwardNet()
def forward(self, enc_inputs, enc_self_attn_mask):
"""
下面这个就是做自注意力层，输入是enc_inputs，形状是[batch_size x seq_len_q x d_model]，需要注意的是最初始的QKV矩阵是等同于这个
输入的，去看一下enc_self_attn函数.
"""
# enc_inputs to same Q,K,V
enc_outputs, attn = self.enc_self_attn(enc_inputs, enc_inputs, enc_inputs, enc_self_attn_mask)
# enc_outputs: [batch_size x len_q x d_model]
enc_outputs = self.pos_ffn(enc_outputs)
return enc_outputs, attn
# -----------------------------------------------------------------------------#
# Encoder部分包含三个部分：词向量embedding，位置编码部分，自注意力层及后续的前馈神经网络
# -----------------------------------------------------------------------------#
class Encoder(nn.Module):
def __init__(self):
super(Encoder, self).__init__()
# 这行其实就是生成一个矩阵，大小是: src_vocab_size * d_model
self.src_emb = nn.Embedding(src_vocab_size, d_model)
# 位置编码，这里是固定的正余弦函数，也可以使用类似词向量的nn.Embedding获得一个可以更新学习的位置编码
self.pos_emb = PositionalEncoding(d_model)
# 使用ModuleList对多个encoder进行堆叠，因为后续的encoder并没有使用词向量和位置编码，所以抽离出来；
self.layers = nn.ModuleList([EncoderLayer() for _ in range(n_layers)])
def forward(self, enc_inputs):
"""
这里我们的enc_inputs形状是： [batch_size x source_len]
"""
# 下面这行代码通过src_emb进行索引定位，enc_outputs输出形状是[batch_size, src_len, d_model]
enc_outputs = self.src_emb(enc_inputs)
# 这行是位置编码，把两者相加放到了pos_emb函数里面
enc_outputs = self.pos_emb(enc_outputs.transpose(0, 1)).transpose(0, 1)
# get_attn_pad_mask是为了得到句子中pad的位置信息，给到模型后面，在计算自注意力和交互注意力的时候去掉pad符号的影响
enc_self_attn_mask = get_attn_pad_mask(enc_inputs, enc_inputs)
enc_self_attns = []
for layer in self.layers:
# 去看EncoderLayer层函数
enc_outputs, enc_self_attn = layer(enc_outputs, enc_self_attn_mask)
enc_self_attns.append(enc_self_attn)
return enc_outputs, enc_self_attns
# --------------------#
# DecoderLayer的实现
# --------------------#
class DecoderLayer(nn.Module):
def __init__(self):
super(DecoderLayer, self).__init__()
self.dec_self_attn = MultiHeadAttention()
self.dec_enc_attn = MultiHeadAttention()
self.pos_ffn = PoswiseFeedForwardNet()
def forward(self, dec_inputs, enc_outputs, dec_self_attn_mask, dec_enc_attn_mask):
dec_outputs, dec_self_attn = self.dec_self_attn(dec_inputs, dec_inputs, dec_inputs, dec_self_attn_mask)
dec_outputs, dec_enc_attn = self.dec_enc_attn(dec_outputs, enc_outputs, enc_outputs, dec_enc_attn_mask)
dec_outputs = self.pos_ffn(dec_outputs)
return dec_outputs, dec_self_attn, dec_enc_attn
# ----------------#
# Decoder的实现
# ----------------#
class Decoder(nn.Module):
def __init__(self):
super(Decoder, self).__init__()
self.tgt_emb = nn.Embedding(tgt_vocab_size, d_model)
self.pos_emb = PositionalEncoding(d_model)
self.layers = nn.ModuleList([DecoderLayer() for _ in range(n_layers)])
def forward(self, dec_inputs, enc_inputs, enc_outputs): # dec_inputs : [batch_size x target_len]
dec_outputs = self.tgt_emb(dec_inputs) # [batch_size, tgt_len, d_model]
dec_outputs = self.pos_emb(dec_outputs.transpose(0, 1)).transpose(0, 1) # [batch_size, tgt_len, d_model]
# get_attn_pad_mask 自注意力层的时候的pad 部分
dec_self_attn_pad_mask = get_attn_pad_mask(dec_inputs, dec_inputs)
# get_attn_subsequent_mask 这个做的是自注意层的mask部分，就是当前单词之后看不到，使用一个上三角为1的矩阵
dec_self_attn_subsequent_mask = get_attn_subsequent_mask(dec_inputs)
# 两个矩阵相加，大于0的为1，不大于0的为0，为1的在之后就会被fill到无限小
dec_self_attn_mask = torch.gt((dec_self_attn_pad_mask + dec_self_attn_subsequent_mask), 0)
# 这个做的是交互注意力机制中的mask矩阵，enc的输入是k，我去看这个k里面哪些是pad符号，给到后面的模型；注意哦，我q肯定也是有pad符号，
# 但是这里我不在意的，之前说了好多次了哈
dec_enc_attn_mask = get_attn_pad_mask(dec_inputs, enc_inputs)
dec_self_attns, dec_enc_attns = [], []
for layer in self.layers:
dec_outputs, dec_self_attn, dec_enc_attn = layer(dec_outputs, enc_outputs, dec_self_attn_mask, dec_enc_attn_mask)
dec_self_attns.append(dec_self_attn)
dec_enc_attns.append(dec_enc_attn)
return dec_outputs, dec_self_attns, dec_enc_attns
# --------------------------------------------------#
# 从整体网络结构来看，分为三个部分：编码层，解码层，输出层
# --------------------------------------------------#
class Transformer(nn.Module):
def __init__(self):
super(Transformer, self).__init__()
self.encoder = Encoder() # 编码层
self.decoder = Decoder() # 解码层
# 输出层的d_model是我们解码层每个token输出的维度大小，之后会做一个tgt_vocab_size大小的softmax
self.projection = nn.Linear(d_model, tgt_vocab_size, bias=False)
def forward(self, enc_inputs, dec_inputs):
"""
这里有两个数据进行输入，一个是enc_inputs，形状为[batch_size, src_len]，主要是作为编码端的输入，一个是dec_inputs，
形状为[batch_size, tgt_len]，主要是作为解码端的输入.
enc_inputs作为输入，形状为[batch_size, src_len]，输出由自己的函数内部指定，想要什么指定输出什么，可以是全部tokens的输出，
可以是特定每一层的输出，也可以是中间某些参数的输出；
"""
# enc_outputs就是编码端的输出，enc_self_attns这里没记错的话是QK转置相乘经softmax之后的矩阵值，代表
# 的是每个单词和其他单词的相关性，即相关性矩阵；
enc_outputs, enc_self_attns = self.encoder(enc_inputs)
# dec_outputs是decoder的主要输出，用于后续的linear映射； dec_self_attns类比于enc_self_attns，
# 是查看每个单词对decoder中输入的其余单词的相关性；dec_enc_attns是decoder中每个单词对encoder中每
# 个单词的相关性；
dec_outputs, dec_self_attns, dec_enc_attns = self.decoder(dec_inputs, enc_inputs, enc_outputs)
# dec_outputs做映射到词表大小
# dec_logits : [batch_size x src_vocab_size x tgt_vocab_size]
dec_logits = self.projection(dec_outputs)
return dec_logits.view(-1, dec_logits.size(-1)), enc_self_attns, dec_self_attns, dec_enc_attns
if __name__ == '__main__':
# 句子的输入部分:
# ich mochte ein bier P: 编码端的输入，P代表填充字符Pad
# S i want a beer: 解码端的输入，S代表Start
# i want a beer E: 解码端的真实标签，E代表End
sentences = ['ich mochte ein bier P', 'S i want a beer', 'i want a beer E']
# ------------------------------------------------------------------------------#
# 一些简单的配置文件：
# Transformer Parameters
# Padding Should be Zero
# 构建词表：
# 构建编码端词表
src_vocab = {'P': 0, 'ich': 1, 'mochte': 2, 'ein': 3, 'bier': 4}
src_vocab_size = len(src_vocab)
# 构建解码端词表，其实编码端和解码端可以共用一个词表
tgt_vocab = {'P': 0, 'i': 1, 'want': 2, 'a': 3, 'beer': 4, 'S': 5, 'E': 6}
tgt_vocab_size = len(tgt_vocab)
src_len = 5 # 输入长度
tgt_len = 5 # 解码端输入长度
# 模型参数
d_model = 512 # 每个字符转换为Embedding的时候的大小
d_ff = 2048 # 前馈神经网络中Linear层映射到多少维度
d_k = d_v = 64 # dimension of K(=Q), V
n_layers = 6 # 6个encoder
n_heads = 8 # 多头注意力机制的时候把我的头分为几个
# ------------------------------------------------------------------------------#
# 模型部分
model = Transformer()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)
enc_inputs, dec_inputs, target_batch = make_batch(sentences)
for epoch in range(20):
optimizer.zero_grad()
outputs, enc_self_attns, dec_self_attns, dec_enc_attns = model(enc_inputs, dec_inputs)
loss = criterion(outputs, target_batch.contiguous().view(-1))
print('Epoch:', '%04d' % (epoch + 1), 'cost =', '{:.6f}'.format(loss))
loss.backward()
optimizer.step()
心得
在写一个模型的时候，我们一定要遵循两个规则：
- ①从整体到局部：先把大的框架搭起来，然后再去完善细节部分；
- ②一定要搞清楚数据的流动形状，就是经过你这个模型或者一个小部分的模型，输入是什么形状，输出是什么形状，知道输出是什么形状，你就知道下一部分的输入是什么，你就知道怎么去写了。这一点很重要。
参考文献
- https://blog.csdn.net/qq_34595138/article/details/115868314
- Transformer从零详细解读(可能是你见过最通俗易懂的讲解)
- Transformer代码(源码)从零解读(Pytorch版本)
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
