深度学习代码|feed_forward前馈层的代码实现

系列文章目录

李沐《动手学深度学习》注意力机制

---

---

理论基础

• Transformer结构主要分为两大部分，一是Encoder层结构，另一个则是Decoder层结构，Encoder 的输入由 Input Embedding 和 Positional Embedding 求和输入Multi-Head-Attention，然后经一个ADD&Norm，再通过Feed Forward进行输出。
  

• FeedForward 是一个神经网络模块，由全连接层FC与激活ReLu组成，通常用于处理序列数据或者在深度学习模型的前馈过程中。
• 前馈全连接层是在Transformer中前馈全连接层就是具有两层线性层的全连接网络。前馈全连接层的作用:考虑注意力机制可能对复杂过程的拟合程度不够,通过增加两层网络来增强模型的能力。

李沐《动手学习深度学习》中对于FeedForward的实现：

* __init__ 方法： 初始化函数，定义了神经网络的结构。它接受以下参数：
* ffn_num_input：输入特征的维度大小。
* ffn_num_hiddens：隐藏层的维度大小。
* ffn_num_outputs：输出特征的维度大小。
* forward 方法： 前向传播函数，定义了数据在神经网络中的流动。它接受输入 X，并经过线性变换、ReLU 激活函数和另一个线性变换后返回结果。

一、导入相关库

import torch
from torch import nn as nn

from labml_helpers.module import Module

二、实现FeedForward模块

• __init__ 方法： 初始化函数，定义了神经网络的结构。它接受以下参数：
  • d_model： token 嵌入中的特征数量
  • d_ff：隐藏层的特征维度大小。
  • dropout：隐藏层的 dropout 概率。
  • activation：激活函数，默认为 ReLU。
  • is_gated：是否使用门控机制，默认为 False。
  • bias1：是否为第一个全连接层使用可学习的偏置。
  • bias2：是否为第二个全连接层使用可学习的偏置。
  • bias_gate：是否为门控线性层使用可学习的偏置。
• forward 方法： 前向传播函数，定义了数据在神经网络中的流动。
  • 将输入 x 通过第一个全连接层，并应用激活函数 $f$。
  • 如果使用门控机制，则将激活后的结果与输入相乘，得到门控后的结果。
  • 对结果应用 dropout。
  • 将结果通过第二个全连接层，并返回输出。

class FeedForward(Module):
    """
    ## FFN module
    """

    def __init__(self, d_model: int, d_ff: int,
                 dropout: float = 0.1,
                 activation=nn.ReLU(),
                 is_gated: bool = False,
                 bias1: bool = True,
                 bias2: bool = True,
                 bias_gate: bool = True):
        super().__init__()
        self.layer1 = nn.Linear(d_model, d_ff, bias=bias1)
        self.layer2 = nn.Linear(d_ff, d_model, bias=bias2)
        self.dropout = nn.Dropout(dropout)
        self.activation = activation
        self.is_gated = is_gated
        if is_gated:
            self.linear_v = nn.Linear(d_model, d_ff, bias=bias_gate)

    def forward(self, x: torch.Tensor):
        g = self.activation(self.layer1(x))
        if self.is_gated:
            x = g * self.linear_v(x)
        else:
            x = g
        x = self.dropout(x)
        return self.layer2(x)

参考：
对Transformer中FeedForward层的理解
https://github.com/labmlai/annotated_deep_learning_paper_implementations/blob/master/labml_nn/transformers/feed_forward.py
Transformer前馈全连接层和规范化层（3）