自然语言处理笔记总目录
生成掩码张量的代码分析:
def subsequent_mask(size):
attn_shape = (1, size, size)
subsequent_mask = np.triu(np.ones(attn_shape), k=1).astype('uint8')
return torch.from_numpy(1 - subsequent_mask)
a = subsequent_mask(10)
print(a)
print(a.shape)
plt.figure()
plt.imshow(a[0])
plt.show()
tensor([[[1, 0, 0, 0, 0, 0, 0, 0, 0, 0],
[1, 1, 0, 0, 0, 0, 0, 0, 0, 0],
[1, 1, 1, 0, 0, 0, 0, 0, 0, 0],
[1, 1, 1, 1, 0, 0, 0, 0, 0, 0],
[1, 1, 1, 1, 1, 0, 0, 0, 0, 0],
[1, 1, 1, 1, 1, 1, 0, 0, 0, 0],
[1, 1, 1, 1, 1, 1, 1, 0, 0, 0],
[1, 1, 1, 1, 1, 1, 1, 1, 0, 0],
[1, 1, 1, 1, 1, 1, 1, 1, 1, 0],
[1, 1, 1, 1, 1, 1, 1, 1, 1, 1]]], dtype=torch.uint8)
torch.Size([1, 10, 10])
解析:0代表遮掩还是1代表遮掩这里可以自定义,上图的横坐标可以看作输出,纵坐标看做输入,在第0个输出是看不到第0个输入的(其实是可以看到一个输入的起始符号的),第1个输出只能看到输入的第0个,依次类推。
np.triu
演示:
主对角线为1、5、9进行演示,左下部分清零
a = np.triu([[1,2,3],
[4,5,6],
[7,8,9],
[10,11,12]], k=0)
print(a)
array([[ 1, 2, 3],
[ 0, 5, 6],
[ 0, 0, 9],
[ 0, 0, 0]])
a = np.triu([[1,2,3],
[4,5,6],
[7,8,9],
[10,11,12]], k=-1)
print(a)
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 0, 8, 9],
[ 0, 0, 12]])
a = np.triu([[1,2,3],
[4,5,6],
[7,8,9],
[10,11,12]], k=1)
print(a)
array([[ 0, 2, 3],
[ 0, 0, 6],
[ 0, 0, 0],
[ 0, 0, 0]])