附件
📎20230625_Transformer的Pytorch代码解读.pptx
论文地址:https://arxiv.org/abs/1706.03762
完整代码:multimodal-learning/transformer_torch.py at main · Yeezy7/multimodal-learning
一、模型架构
1.1 整体框架
1.1.1 整体架构
从整体网路结构来看,分为三个部分:编码层,解码层,输出层
1.1.2 Transformer工作流程
Transformer工作流程:
# 整体架构
class Transformer(nn.Module):
def __init__(self):
super(Transformer, self).__init__()
self.encoder = Encoder()
self.decoder = Decoder()
# 输出层 d_model 是解码层每个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):
# 两个输入,一个是enc_inputs 形状为[batch_size, src_len], 主要作为编码端的输入;一个dec_inputs,形状为[batch_size, tgt_len], 主要作为解码端的输入
# 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就是主要的输出,enc_self_attns这里没记错的是 QK转置相乘之后softmax之后的矩阵值,代表的是每个单词和其他单词相关性;
enc_outputs, enc_self_attns = self.encoder(enc_inputs)
# dec_outputs 是decoder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 = self.projection(dec_outputs) # dec_logits : [batch_size , tgt_len , tgt_vocab_size]
# dec_logits.view(-1, dec_logits.size(-1)) : [batch_size * tgt_len, tgt_vocab_size]
return dec_logits.view(-1, dec_logits.size(-1)), enc_self_attns, dec_self_attns, dec_enc_attns
1.2 编码器 Encoder
1.2.1 整体架构
Encoder 包含三个部分:
词向量embedding,位置编码,注意力层及后续的前馈神经网络
# 编码器
# Encoder 包含三个部分:词向量embedding,位置编码,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__()
self.src_emb = nn.Embedding(src_vocab_size, d_model) # 这个其实就是去定义生成一个矩阵,大小是 src_vocab_size * d_model
self.pos_emb = PositionalEncoding(d_model) # 位置编码情况,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.layer = nn.ModuleList([EncoderLayer() for _ in range(n_layers)]) # 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;
def forward(self, enc_inputs):
# enc_inputs 形状是: [batch_size x source_len]
# 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)
# 这里就是位置编码,把两者相加放入到了这个函数里面,从这里可以去看一下位置编码函数的实现;
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,去看一下这个函数 4.
enc_self_attn_mask = get_attn_pad_mask(enc_inputs, enc_inputs)
enc_self_attns = []
for layer in self.layers:
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
1.2.2 位置编码
位置编码公式:
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,下面这个代码只是其中一种实现方式;
# 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demodel是512,2i那个符号中i从0取到了255,那么2i对应取值就是0,2,4...510
self.dropout = nn.Dropout(p=dropout) # 正则化层
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,补长为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,补长为2,其实代表的就是奇数位置
# 上面代码获取之后得到的pe:[max_len , d_model]
# 下面这个代码之后,得到的pe:[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)
1.2.3 注意力掩码
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。
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,之后在计算计算softmax之前会把这里置为负无穷大;一定需要注意的是这里得到的矩阵形状是 [batch_size , len_q , len_k],我们是对k中的pad符号进行标识,并没有对q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, 1, len_k], False is masked
return pad_attn_mask.expand(batch_size, len_q, len_k) # [batch_size, len_q, len_k]
1.2.4 编码层
EncoderLayer :包含两个部分,多头注意力机制和前馈神经网络;
Encoder中通过ModuleList组合多个EncoderLayer层
# 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 6.
enc_outputs, attn = self.enc_self_attn(enc_inputs, enc_inputs, enc_inputs, enc_self_attn_mask) # enc_inputs to same Q,K,V
enc_outputs = self.pos_ffn(enc_outputs) # enc_outputs: [batch_size x len_q x d_model]
return enc_outputs, attn
1.2.5 多头注意力
设置 h 组不同的 线性投影(linear projections)来变换查询、键和值。然后,这 h 组变换后的查询、键和值将并行地进行注意力池化。最后,将这 h 个注意力池化的输出拼接在一起,并且通过另一个可以学习的线性投影进行变换,以产生最终输出。这种设计被称为 多头注意力
# MultiHeadAttention
class MultiHeadAttention(nn.Module):
def __init__(self):
super(MultiHeadAttention, self).__init__()
# 输入进来的QKV是相等的,我们会使用映射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, input_Q, input_K, input_V, attn_mask):
# 这个多头分为这几个步骤,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 , len_q , d_model], K: [batch_size , len_k , d_model], V: [batch_size , len_k , d_model]
residual, batch_size = input_Q, input_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,分为n_heads个头;一定要注意的是q和k分头之后维度是一致de,所以一看这里都是dk
Q = self.W_Q(input_Q).view(batch_size, -1, n_heads, d_k).transpose(1, 2) # Q: [batch_size, n_heads, len_q, d_k]
K = self.W_K(input_K).view(batch_size, -1, n_heads, d_k).transpose(1, 2) # K: [batch_size, n_heads, len_k, d_k]
V = self.W_V(input_V).view(batch_size, -1, n_heads, d_v).transpose(1, 2) # V: [batch_size, n_heads, len_v, d_v]
# 输入进行的attn_mask形状是 [batch_size , len_q , len_k],然后经过下面这个代码得到 新的attn_mask : [batch_size , n_heads , len_q , len_k],就是把pad信息重复了n个头上
attn_mask = attn_mask.unsqueeze(1).repeat(1, n_heads, 1, 1)
# 然后我们计算 ScaledDotProductAttention 这个函数
# 得到的结果有两个:context: [batch_size , n_heads , len_q , d_v], attn: [batch_size , n_heads , len_q , len_k]
context, attn = ScaledDotProductAttention()(Q, K, V, attn_mask) # 缩放点积注意力
context = context.transpose(1, 2).contiguous().view(batch_size, -1, n_heads * d_v) # context: [batch_size , len_q , n_heads * d_v]
output = self.linear(context) # output: [batch_size , len_q , d_model]
return self.layer_norm(output + residual), attn
上述维度的变化
在
MultiHeadAttention
类的forward
方法中,输入数据和中间变量的维度变化如下:1. 输入数据维度:
input_Q
:[batch_size, len_q, d_model]
查询序列input_K
:[batch_size, len_k, d_model]
键序列input_V
:[batch_size, len_k, d_model]
值序列attn_mask
:[batch_size, len_q, len_k]
注意力掩码2. 线性映射和分头:
Q = self.W_Q(input_Q)
:[batch_size, len_q, d_k * n_heads]
K = self.W_K(input_K)
:[batch_size, len_k, d_k * n_heads]
V = self.W_V(input_V)
:[batch_size, len_k, d_v * n_heads]
3. 调整形状和转置:
Q.view(...)
:[batch_size, len_q, n_heads, d_k]
K.view(...)
:[batch_size, len_k, n_heads, d_k]
V.view(...)
:[batch_size, len_k, n_heads, d_v]
Q.transpose(1, 2)
:[batch_size, n_heads, len_q, d_k]
K.transpose(1, 2)
:[batch_size, n_heads, len_k, d_k]
V.transpose(1, 2)
:[batch_size, n_heads, len_k, d_v]
4. 注意力掩码扩展:
attn_mask.unsqueeze(1)
:[batch_size, 1, len_q, len_k]
attn_mask.repeat(...)
:[batch_size, n_heads, len_q, len_k]
5. 缩放点积注意力计算:
context
:[batch_size, n_heads, len_q, d_v]
attn
:[batch_size, n_heads, len_q, len_k]
6. 合并头和线性变换:
context.transpose(1, 2)
:[batch_size, len_q, n_heads, d_v]
context.contiguous()
: 确保内存连续性,维度不变context.view(...)
:[batch_size, len_q, n_heads * d_v]
output = self.linear(context)
:[batch_size, len_q, d_model]
7. 残差连接和层归一化:
output + residual
:[batch_size, len_q, d_model]
self.layer_norm(...)
:[batch_size, len_q, d_model]
1.2.6 缩放点积注意力
缩放点积注意力:
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 Q: [batch_size , n_heads , len_q , d_k] K: [batch_size , n_heads , len_k , d_k] V: [batch_size , n_heads , len_k , 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)
# 然后关键词地方来了,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q的单词不起作用
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
1.2.7 位置感知前馈网络
d_model 是模型的维度,即输入和输出的维度。
d_ff 是前馈网络中间层的维度
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)
1.3 解码器Dncoder
1.3.1 整体架构
解码器包含:掩码多头注意力、
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
1.3.2 掩码多头注意力
关键步骤:
1、生成掩码:创建一个上三角矩阵作为掩蔽,用于屏蔽序列中未来的信息。并扩展到与批次大小和头数相匹配的形状
2、应用掩码:在计算注意力权重之前,将掩蔽矩阵加到注意力分数上,使得被掩蔽的位置具有一个非常大的负值,这样,在应用softmax函数时,这些位置的权重会接近于0。
3、计算注意力:使用修改后的注意力分数来计算注意力权重,并通过这些权重来加权求和值序列。
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() # 转成byte张量
return subsequence_mask # [batch_size, tgt_len, tgt_len]
其余掩码多头注意力代码见1.3.2
1.3.3 解码层
单个解码器包含:自注意力机制、编码器-解码器注意力机制和前馈网络
对于编码器-解码器注意力:
查询(Query):dec_outputs是解码器自注意力层的输出,它作为查询(Q)输入到编码器-解码器注意力层。这是因为解码器层的每个步骤都是基于之前步骤的输出。
键(Key)和值(Value):enc_outputs是编码器的输出,它被用作键(K)和值(V)输入到编码器-解码器注意力层。这是因为解码器需要关注编码器的完整输出,以获取与当前解码步骤最相关的信息。
# 由自注意力机制、编码器-解码器注意力机制和前馈网络组成
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