一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)

發(fā)布于 2024-4-1 15:43

瀏覽

0收藏

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖1：原論文信息

Attention Is All You Need：https://arxiv.org/pdf/1706.03762.pdf

Introduction

Transformer —— 由 Google 的研究人員在 2017 年的《Attention Is All You Need》[1] 中提出。其首先在 NLP 領(lǐng)域中取得了 SOTA 的表現(xiàn)，之后也逐漸的被運(yùn)用到 CV 及其他領(lǐng)域里，依舊展露出耀眼的鋒芒！網(wǎng)絡(luò)上已有很多樂于奉獻(xiàn)的博主、大佬們通過文章、視頻等方式詳細(xì)解釋了 Transformer 的整體架構(gòu)，對我的學(xué)習(xí)起到了極大的幫助。本文著重于以下兩點(diǎn)：

Dimensions文章會盡量詳細(xì)的介紹 Transformer 各個子層輸入、輸出、權(quán)重等的具體維度。
Implementation在詳細(xì)了解各層的結(jié)構(gòu)之后趁熱打鐵利用Pytorch對網(wǎng)絡(luò)結(jié)構(gòu)代碼實(shí)現(xiàn)。

Transformer

Transformer 主要由 Encoder 和 Decoder 各重復(fù) N 次構(gòu)成 (在原論文中重復(fù) 6 次)，如圖：

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 2：Transformer 模型整體結(jié)構(gòu)

Encoder 和 Decoder 的數(shù)據(jù)流如下圖 3 所示[2]，前一個 Encoder 的輸出作為后一個 Encoder 的輸入，最后一個 Encoder 的輸出被作為 N 個 Decoder 各自的輸入。除了最后一個 Encoder 的輸出之外，每個 Decoder 也接收前一個 Decoder 的輸出作為輸入。就機(jī)器翻譯的任務(wù)而言，第一個 Encoder 的輸入是源語言的 token，而最后一個 Decoder 的輸出是目標(biāo)語言的 token。

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 3：Encoder 和 Decoder 各層及相互之間的數(shù)據(jù)流

接下來，我們深入探討每一個 Encoder 和 Decoder 的內(nèi)部，看看它們?nèi)绾瓮ㄟ^接收相同維度的輸入來產(chǎn)生維度為的輸出。需要注意，輸入到 Encoder 和 Decoder 的輸入數(shù)分別為可以不相同。（例如：在機(jī)器翻譯任務(wù)中“你好”英文翻譯成“hello”，很明顯單詞的數(shù)量是不一樣的，當(dāng)然這個例子不嚴(yán)謹(jǐn)，因為并不是每個字或者單詞就是一個 token）

在每一個 Encoder 和 Decoder 的內(nèi)部包含有一些子層，如下圖 4 所示：

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 4：Encoder 和 Decoder 內(nèi)部子層結(jié)構(gòu)

這里我們先引入一些必要的庫，方便大家在后續(xù)代碼中直接調(diào)用：

import copy
import math
import warnings

import torch
import torch.nn as nn
from torch.nn.functional import log_softmax

warnings.filterwarnings("ignore")

Self-Attention

考慮如下句子："Jane is going to the cinema to watch a new ____." [3]空格里應(yīng)該填寫什么單詞呢？可能的答案有："movie", "comedy", "a new action movie", "romantic movie"等；且很明顯："book", "cat", "grocery store" 這些單詞是不合適的。預(yù)測正確單詞的關(guān)鍵在于上下文和前面單詞所提供的信息。即：下圖中箭頭所表達(dá)的含義：

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 5：現(xiàn)實(shí)中單詞填空的例子

在句子中，每個單詞之間的關(guān)聯(lián)程度是不一樣的。例如，"cinema"（電影院）和 "watch"（觀看）這兩個詞在上下文中的關(guān)系更密切，這有助于預(yù)測空白處與電影相關(guān)的詞。因此，每個詞都要根據(jù)上下文和這些詞的關(guān)聯(lián)程度，以不同的關(guān)注度去關(guān)注其他詞，這其實(shí)就是 Attention 的思想。

在具體計算上，輸入的句子會經(jīng)過 Embedding 層獲得每個單詞對應(yīng)的 feature vector (特征向量)，如下圖的，每個單詞向量的維度是，所有的單詞向量可以構(gòu)成維度是的矩陣。在每個特征向量上，使用 3 個可學(xué)習(xí)的權(quán)重矩陣進(jìn)行 3 次矩陣乘法，得到，分別代表 Query, Key, Value。查詢向量和向量的大小必須一致，表示為，但值向量的大小可以不同，表示為。

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 6：q, k, v 的計算過程

上述對每個單詞向量的矩陣操作可以合并，寫成如下的矩陣形式：

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 7：q, k, v 的矩陣計算過程

在獲得了每個單詞的之后，計算某一個單詞的與其余單詞的的內(nèi)積，作為兩單詞之間的關(guān)聯(lián)權(quán)重，如下圖所示[4]：

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 8：單詞間關(guān)聯(lián)權(quán)重的計算過程

將得到的權(quán)重分別與對應(yīng)單詞的相乘再求和得到：考慮了單詞間關(guān)聯(lián)程度的特征向量。

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 9：獲得關(guān)聯(lián)程度加權(quán)后的單詞特征向量的計算過程

Encoder

每一個 Encoder 內(nèi)部包含兩個子層，每個子層后進(jìn)行 LayerNormalization 和殘差連接：

Multi-Head Attention (多頭注意力)
Feed Forward （前向傳播網(wǎng)絡(luò)）

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 10：Encoder 單獨(dú)結(jié)構(gòu)

Multi-Head Attention in Encoder

Multi-Head Attention 是最關(guān)鍵、計算量最大的模塊。如下圖 5 所示，該模塊將個大小各為的向量作為輸入（打包成一個大小為的矩陣），并產(chǎn)生一個大小與相同的輸出矩陣（由個大小各為的向量打包而成）。

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 11：Multi-Head Attention 計算過程和維度細(xì)節(jié)

每個 Attention Head 都有自己學(xué)習(xí)到的線性變換，作用于輸入上獲得屬于自己的 Query, Key, Value。由于這些變換是單獨(dú)學(xué)習(xí)的，因此每個 Attention Head 都有可能學(xué)會關(guān)注不同的事物。在 NLP 任務(wù)中，這可能意味著一個 Attention Head 會學(xué)習(xí)關(guān)注語法關(guān)系（如主謂一致），而另一個注意頭則會學(xué)習(xí)關(guān)注語義關(guān)系。每個內(nèi)部均采取如下的執(zhí)行流程：

輸入 Input Embedding + Positional Encoding或 outputs from previous encoder，矩陣大小為，通過將輸入與相應(yīng)的權(quán)重矩陣相乘獲得 Query (), Key (), Key () 三個大家耳熟能詳?shù)木仃嚒?/li>

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 12：Q, K, V 矩陣的計算過程

執(zhí)行scaled dot-product attention計算獲得 attention 矩陣。如下圖 12 所示：首先，對如上節(jié)圖 8 最終獲得的注意力分?jǐn)?shù)除以縮放因子得到矩陣’；然后，對’的每一行施加，得到 attention 矩陣。

為什么需要除以縮放因子？[5] 假設(shè) key 向量的維度很大。由于維度增加，查詢向量 q 和 k 之間的點(diǎn)積可能會變得不成比例地大。這可能會導(dǎo)致訓(xùn)練過程中出現(xiàn)問題，例如梯度爆炸或梯度消失，從而阻礙學(xué)習(xí)過程，并使模型難以有效捕捉標(biāo)記之間的依賴關(guān)系。通過這種縮放的方法，可以縮減注意力分?jǐn)?shù)，確保其大小保持在可控范圍內(nèi)。這種縮放可以防止點(diǎn)積變得過大，并有助于穩(wěn)定學(xué)習(xí)過程。

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 13：含縮放因子的 dot product attention 計算過程

將注意力分?jǐn)?shù)矩陣和矩陣相乘得到加權(quán)之后的新的特征向量矩陣，作為的輸出。如下圖 14 所示：

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 14：對 V 進(jìn)行注意力加權(quán)得到每個 Head 的輸出

接下來，將所有 head 的輸出拼接起來得到，再經(jīng)過一次線性變換，得到 Multi-Head Attention 的輸出：

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 15：拼接并線性變換后得到 Multi-Head Attention 的輸出

中每一行的維度為（h 個大小為的向量連接）。矩陣的維度為，它將 Z' 的每一行從維度投影到。

因此，Encoder 的一個 Multi-Head Attention 子層接收的輸入，然后最終產(chǎn)生相同大小的輸出。這也被叫做 Input-Input Attention 或 Encoder Self-Attention (例如：輸入序列的每個單詞與句子中的所有單詞都計算 attention score)。代碼實(shí)現(xiàn)如下[6]：

該代碼的 attention 函數(shù)中包含 mask 項，這是由于 Decoder 里 Masked Multi-Head Attention 也會用到該函數(shù)，因此，統(tǒng)一設(shè)置 mask 參數(shù)。但在 Encoder 里不會用到。

def clones(module, N):
    return nn.ModuleList([copy.deepcopy(module) for _ in range(N)])

def attention(query, key, value, mask=None, dropout=None):
    """
    Size of q, k, v: [nbatches, nheads, -1, d_k]
    """
    d_k = key.size(-1)
    scores = torch.matmul(query, key.transpose(-2, -1)) / math.sqrt(d_k)
    if mask is not None:
        scores = scores.masked_fill(mask == 0, -1e9)
    p_attn = scores.softmax(dim=-1)
    if dropout is not None:
        p_attn = dropout(p_attn)
    return torch.matmul(p_attn, value), p_attn


class MultiHeadAttention(nn.Module):
    def __init__(self, h, d_model, dropout=0.1):
        super().__init__()
        assert d_model % h == 0
        self.d_k = d_model // h
        self.h = h
        self.linears = clones(nn.Linear(d_model, d_model), 4)
        self.attn = None
        self.dropout = nn.Dropout(dropout)

    def forward(self, query, key, value, mask=None):
        if mask is not None:
            mask = mask.unsqueeze(1)

        nbatches = query.size(0)
        query, key, value = [
            linear(x).view(nbatches, -1, self.h, self.d_k).transpose(1, 2)
            for linear, x in zip(self.linears, (query, key, value))
        ]

        x, self.attn = attention(query, key, value, mask, self.dropout)
        x = x.transpose(1, 2).contiguous().view(nbatches, -1, self.h * self.d_k)
        # .contigugous() Returns a contiguous in memory tensor containing the same data
        del query
        del key
        del value

        return self.linears[-1](x)

Feed Forward Network and Residual Connection

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 16：FFN 網(wǎng)絡(luò)結(jié)構(gòu)圖

前向傳播網(wǎng)絡(luò)采用大小為的輸入，通過執(zhí)行如下函數(shù)，得到相同大小的輸出：

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 17：FFN 公式內(nèi)容

class PositionwiseFeedForward(nn.Module):
    def __init__(self, d_model, d_ff, dropout=0.1):
        super().__init__()
        self.w_1 = nn.Linear(d_model, d_ff)
        self.w_2 = nn.Linear(d_ff, d_model)
        self.dropout = nn.Dropout(dropout)

    def forward(self, x):
        return self.w_1(self.dropout(self.w_1(x).relu()))

在兩個子層（Multi-Head Attention 和 Feed Forward）后進(jìn)行LayerNormalization和Residual Connection。即，子層的輸出是。
LayerNormalization 是由 Ba et al (2016) 提出的(https://paperswithcode.com/method/layer-normalization)，它是眾多 norm 技巧中的一種，可以簡化模型訓(xùn)練過程，從而提高性能并縮短訓(xùn)練時間。

class LayerNorm(nn.Module):
    def __init__(self, features, eps=1e-6):
        super().__init__()
        self.a_2 = nn.Parameter(torch.ones(features))
        self.b_2 = nn.Parameter(torch.zeros(features))
        self.eps = eps

    def forward(self, x):
        mean = x.mean(-1, keepdim=True)
        std = x.std(-1, keepdim=True)
        return self.a_2 * (x - mean) / (std + self.eps) + self.b_2

Residual Connection 的思想是由 He et al (2005)(https://paperswithcode.com/method/resnet) 在 ResNet 模型中提出來的。即：將子層的輸入與子層的輸出相加。這樣可以防止梯度消失的問題。

class SublayerConnection(nn.Module):
    def __init__(self, size, dropout):
        super().__init__()
        self.norm = LayerNorm(size)
        self.dropout = nn.Dropout(dropout)

    def forward(self, x, sublayer):
        return x + self.dropout(sublayer(self.norm(x)))  # LayerNorm before residual

Encoder Implementation

通過上面的步驟我們已經(jīng)實(shí)現(xiàn)了 Multi-Head Attention 和 Feed Forward Network 將他們通過經(jīng)過 LayerNorm 和殘差連接之后組合起來就構(gòu)成了 1 個 Encoder，然后，把它復(fù)制 N 份就實(shí)現(xiàn)了 Transformer 左邊的結(jié)構(gòu)。

class EncoderLayer(nn.Module):
    def __init__(self, size, self_attn, feed_forward, dropout):
        super().__init__()
        self.self_attn = self_attn
        self.feed_forward = feed_forward
        self.sublayer = clones(SublayerConnection(size, dropout), 2)
        self.size = size

    def forward(self, x, mask):
        x = self.sublayer[0](x, lambda x: self.attn(x, x, x, mask))
        return self.sublayer[1](x, self.feed_forward)


class Encoder(nn.Module):
    def __init__(self, layer, N):
        super().__init__()
        self.layers = clones(layer, N)
        self.norm = LayerNorm(layer.size)

    def forward(self, x, mask):
        for layer in self.layers:
            x = layer(x, mask)
        return self.norm(x)  # LayerNorm after residual

Decoder

Decoder 包含三個子層：

Masked Multi-Head Attention
Multi-Head Attention
Feed Forward

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 18：Decoder 單獨(dú)結(jié)構(gòu)

Masked Multi-Head Attention

Decoder 中的 Multi-Head Attention 也被稱為 Output-Output Attention 或 Decoder Self-Attention。它采取個大小的向量作為輸入（目標(biāo)序列的 token 向量）作為輸入，然后產(chǎn)生相同大小的輸出矩陣。與 Encoder 中的 Multi-Head Attention 唯一不同的是：Masking。對于查詢，它只能計算自己和之間的關(guān)聯(lián)。可以通過將矩陣中時刻之后的 query-key 組合設(shè)成來實(shí)現(xiàn)，如下圖。

通過 mask 可以防止當(dāng)前位置的 query 與其后的 key 產(chǎn)生關(guān)聯(lián)。例如：在機(jī)器翻譯任務(wù)中，原句子是 "簡打算去影院看一部新電影。"，目標(biāo)句子是 "Jane is going to the cinema to watch a new movie."，原句子作為 Encoder 的輸入，目標(biāo)句子作為 Decoder 的輸入。假如我們翻譯到 "Jane is going to the cinema"，此時 cinema 只會和其前面的單詞產(chǎn)生關(guān)聯(lián)，而不會與其后還未翻譯出來的單詞產(chǎn)生聯(lián)系。因此，需要使用 mask 將 cinema 后面的單詞遮住。

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 19：Decoder 中的權(quán)重矩陣

Multi-Head Attention in Decoder

Decoder 中的 Multi-Head Attention 也被稱作是 Input-Output Attention 或 Encoder-Decoder Attention。與 Encoder 中的 Multi-Head Attention 大致相同，除接收最后一層 Encoder 的輸出作為額外輸入 () 外。被用于生成矩陣，而 Decoder 的輸入用于生成矩陣。

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 20：Decoder 中的 Q, K, V 生成過程

Feed Forward Network in Decoder

該模塊與 Encoder 中的 Feed Forward Network 模塊相同。

Decoder Implementation

仿照 Encoder 的實(shí)現(xiàn)很容易得到 Decoder 的代碼實(shí)現(xiàn)：

def subsequent_mask(size):
    attn_shape = (1, size, size)
    subsequent_mask = torch.triu(torch.ones(attn_shape), diagnal=1).type(torch.uint8)
    return subsequent_mask == 0


class DecoderLayer(nn.Module):
    def __init__(self, size, self_attn, src_attn, feed_forward, dropout):
        super().__init__()
        self.size = size
        self.self_attn = self_attn
        self.src_attn = src_attn
        self.feed_forward = feed_forward
        self.sublayer = clones(SublayerConnection(size, dropout), 3)

    def forward(self, x, memory, src_mask, tgt_mask):
        m = memory  # additional input from Encoder-Stack to generate K and V
        # while the input within the Decoder side is used to generate Q
        x = self.sublayer[0](x, lambda x: self.self_attn(x, x, x, tgt_mask))
        x = self.sublayer[1](x, lambda x: self.src_attn(x, m, m, src_mask))
        return self.sublayer[2](x, self.feed_forward)


class Decoder(nn.Module):
    def __init__(self, layer, N):
        super().__init__()
        self.layers = clones(layer, N)
        self.norm = LayerNorm(layer.size)

    def forward(self, x, memory, src_mask, tgt_mask):
        for layer in self.layers:
            x = layer(x, memory, src_mask, tgt_mask)
        return self.norm(x)

我們將 Encoder 和 Decoder 組合起來：

class EncoderDecoder(nn.Module):
    """
    A standard Encoder-Decoder architecture. Base for this and many
    other models.
    """
    def __init__(self, encoder, decoder, src_embed, tgt_embed, generator):
        super(EncoderDecoder, self).__init__()
        self.encoder = encoder
        self.decoder = decoder
        self.src_embed = src_embed
        self.tgt_embed = tgt_embed
        self.generator = generator

    def forward(self, src, tgt, src_mask, tgt_mask):
        """
        Take in and process masked src and target sequences.
        """
        return self.decode(self.encode(src, src_mask), src_mask, tgt, tgt_mask)

    def encode(self, src, src_mask):
        return self.encoder(self.src_embed(src), src_mask)

    def decode(self, memory, src_mask, tgt, tgt_mask):
        return self.decoder(self.tgt_embed(tgt), memory, src_mask, tgt_mask)

Generator

Linear 和 Softmax 層組成了 generator 用于輸出一個概率分布。通過從最后一個 Decoder 的輸出中獲取維度為的輸入，并將其轉(zhuǎn)換為與詞匯表大小相同的維度，表示下一時刻單詞的概率分布。

Transformer 的 Decoder 在 Inference 的時候是 auto-regressive (自回歸) 的[7]。即：將上一時刻的輸出追加到輸入后面組成當(dāng)前時刻的輸入，然后產(chǎn)生當(dāng)前時刻的輸出，如下圖所示。

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 21：Auto-Regressive 的例子

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 22：Linear 層和 Softmax層結(jié)構(gòu)

class Generator(nn.Module):
    """Define standard linear + softmax generation step."""

    def __init__(self, d_model, vocab):
        super(Generator, self).__init__()
        self.proj = nn.Linear(d_model, vocab)

    def forward(self, x):
        return log_softmax(self.proj(x), dim=-1)

Embedding

Embedding 包含兩步：

Input and Output Embedding
Position Encoding

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 23：Embedding 層結(jié)構(gòu)

Embeddings

與其他的序列模型相同，Transformer 使用可學(xué)習(xí)的 embedding 將 input tokens 和 output tokens 轉(zhuǎn)化成為維度是的向量。

class Embeddings(nn.Module):
    def __init__(self, d_model, vocab):
        self.lut = nn.Embedding(vocab, d_model)
        self.d_model = d_model

    def forward(self, x):
        return self.lut(x) * math.sqrt(self.d_model)

Positional Encoding

由于 Transformer 不像 RNN 或者 CNN 那樣，不包含 recurrent 和 convolution，因此，為了使模型能利用到序列的順序信息，在 Encoder 和 Decoder 的 input embedding 基礎(chǔ)上額外的添加位置編碼，來表示序列中 tokens 的次序關(guān)系，論文中使用 cosine 函數(shù)來計算：

一文詳解Transformer 細(xì)節(jié)及代碼實(shí)現(xiàn)-AI.x社區(qū)

圖 24：Positional Encoding 公式

其中 pos 表示是 token 的位置，i 表示 position encoding 的第 i 維度。即：positional encoding 的每一維對應(yīng)了一個正弦曲線。

class PositionalEncoding(nn.Module):
    def __init__(self, d_model, dropout, max_len=5000):
        super(PositionalEncoding, self).__init__()
        self.dropout = nn.Dropout(p=dropout)

        # Compute the positional encodings once in log space.
        pe = torch.zeros(max_len, d_model)
        position = torch.arange(0, max_len).unsqueeze(1)
        div_term = torch.exp(
            torch.arange(0, d_model, 2) * -(math.log(10000.0) / d_model)
        )
        pe[:, 0::2] = torch.sin(position * div_term)
        pe[:, 1::2] = torch.cos(position * div_term)
        pe = pe.unsqueeze(0)
        self.register_buffer("pe", pe)
        # pe will become a persistent parameter of the model
        # that can be used and accessed in other methods of the model

    def forward(self, x):
        x = x + self.pe[:, : x.size(1)].requires_grad_(False)
        return self.dropout(x)

目前，所有的子模塊均已完成了代碼實(shí)現(xiàn)，接下來就是完整 Transformer 模型的構(gòu)建：

def make_model(
    src_vocab,
    tgt_vocab,
    N=6,
    d_model=512,
    d_ff=2048,
    h=8,
    dropout=0.1,
):
    c = copy.deepcopy
    attn = MultiHeadAttention(h, d_model)
    ff = PositionwiseFeedForward(d_model, d_ff, dropout)
    position = PositionalEncoding(d_model, dropout)
    model = EncoderDecoder(
        Encoder(EncoderLayer(d_model, c(attn), c(ff), dropout), N),
        Decoder(DecoderLayer(d_model, c(attn), c(attn), c(ff), dropout), N),
        nn.Sequential(Embeddings(d_model, src_vocab), c(position)),
        nn.Sequential(Embeddings(d_model, tgt_vocab), c(position)),
        Generator(d_model, tgt_vocab),
    )

    for p in model.parameters():
        if p.dim() > 1:
            nn.init.xavier_uniform_(p)

    return model

Appendix

import copy
import math
import warnings

import torch
import torch.nn as nn
from torch.nn.functional import log_softmax

warnings.filterwarnings("ignore")


def clones(module, N):
    return nn.ModuleList([copy.deepcopy(module) for _ in range(N)])


def subsequent_mask(size):
    attn_shape = (1, size, size)
    subsequent_mask = torch.triu(torch.ones(attn_shape), diagnal=1).type(torch.uint8)
    return subsequent_mask == 0


class EncoderDecoder(nn.Module):
    def __init__(
        self,
        encoder,
        decoder,
        src_embed,
        tgt_embed,
        generator,
    ):
        super().__init__()
        self.encoder = encoder
        self.decoder = decoder
        self.src_embed = src_embed
        self.tgt_embed = tgt_embed
        self.generator = generator

    def forward(self, src, src_mask, tgt, tgt_mask):
        return self.decoder(
            self.tgt_embed(tgt),
            self.encoder(
                self.src_embed(src),
                src_mask,
            ),  # memory
            src_mask,
            tgt_mask,
        )


class Generator(nn.Module):
    def __init__(self, d_model, vocab):
        super().__init__()
        self.proj = nn.Linear(d_model, vocab)

    def forward(self, x):
        return log_softmax(self.proj(x), dim=-1)


def attention(query, key, value, mask=None, dropout=None):
    """
    [nbatches, nheads, -1, d_k]
    """
    d_k = key.size(-1)
    scores = torch.matmul(query, key.transpose(-2, -1)) / math.sqrt(d_k)
    if mask is not None:
        scores = scores.masked_fill(mask == 0, -1e9)
    p_attn = scores.softmax(dim=-1)
    if dropout is not None:
        p_attn = dropout(p_attn)
    return torch.matmul(p_attn, value), p_attn


class MultiHeadAttention(nn.Module):
    def __init__(self, h, d_model, dropout=0.1):
        super().__init__()
        assert d_model % h == 0
        self.d_k = d_model // h
        self.h = h
        self.linears = clones(nn.Linear(d_model, d_model), 4)
        self.attn = None
        self.dropout = nn.Dropout(dropout)

    def forward(self, query, key, value, mask=None):
        if mask is not None:
            mask = mask.unsqueeze(1)

        nbatches = query.size(0)
        query, key, value = [
            linear(x).view(nbatches, -1, self.h, self.d_k).transpose(1, 2)
            for linear, x in zip(self.linears, (query, key, value))
        ]

        x, self.attn = attention(query, key, value, mask, self.dropout)
        x = x.transpose(1, 2).contiguous().view(nbatches, -1, self.h * self.d_k)
        # .contigugous() Returns a contiguous in memory tensor containing the same data
        del query
        del key
        del value

        return self.linears[-1](x)


class PositionwiseFeedForward(nn.Module):
    def __init__(self, d_model, d_ff, dropout=0.1):
        super().__init__()
        self.w_1 = nn.Linear(d_model, d_ff)
        self.w_2 = nn.Linear(d_ff, d_model)
        self.dropout = nn.Dropout(dropout)

    def forward(self, x):
        return self.w_1(self.dropout(self.w_1(x).relu()))


class LayerNorm(nn.Module):
    def __init__(self, features, eps=1e-6):
        super().__init__()
        self.a_2 = nn.Parameter(torch.ones(features))
        self.b_2 = nn.Parameter(torch.zeros(features))
        self.eps = eps

    def forward(self, x):
        mean = x.mean(-1, keepdim=True)
        std = x.std(-1, keepdim=True)
        return self.a_2 * (x - mean) / (std + self.eps) + self.b_2


class SublayerConnection(nn.Module):
    def __init__(self, size, dropout):
        super().__init__()
        self.norm = LayerNorm(size)
        self.dropout = nn.Dropout(dropout)

    def forward(self, x, sublayer):
        return x + self.dropout(sublayer(self.norm(x)))  # LayerNorm before residual


class EncoderLayer(nn.Module):
    def __init__(self, size, self_attn, feed_forward, dropout):
        super().__init__()
        self.self_attn = self_attn
        self.feed_forward = feed_forward
        self.sublayer = clones(SublayerConnection(size, dropout), 2)
        self.size = size

    def forward(self, x, mask):
        x = self.sublayer[0](x, lambda x: self.attn(x, x, x, mask))
        return self.sublayer[1](x, self.feed_forward)


class Encoder(nn.Module):
    def __init__(self, layer, N):
        super().__init__()
        self.layers = clones(layer, N)
        self.norm = LayerNorm(layer.size)

    def forward(self, x, mask):
        for layer in self.layers:
            x = layer(x, mask)
        return self.norm(x)  # LayerNorm after residual


class Decoder(nn.Module):
    def __init__(self, layer, N):
        super().__init__()
        self.layers = clones(layer, N)
        self.norm = LayerNorm(layer.size)

    def forward(self, x, memory, src_mask, tgt_mask):
        for layer in self.layers:
            x = layer(x, memory, src_mask, tgt_mask)
        return self.norm(x)


class DecoderLayer(nn.Module):
    def __init__(self, size, self_attn, src_attn, feed_forward, dropout):
        super().__init__()
        self.size = size
        self.self_attn = self_attn
        self.src_attn = src_attn
        self.feed_forward = feed_forward
        self.sublayer = clones(SublayerConnection(size, dropout), 3)

    def forward(self, x, memory, src_mask, tgt_mask):
        m = memory  # additional input from Encoder-Stack to generate K and V
        # while the input within the Decoder side is used to generate Q
        x = self.sublayer[0](x, lambda x: self.self_attn(x, x, x, tgt_mask))
        x = self.sublayer[1](x, lambda x: self.src_attn(x, m, m, src_mask))
        return self.sublayer[2](x, self.feed_forward)


class Embeddings(nn.Module):
    def __init__(self, d_model, vocab):
        self.lut = nn.Embedding(vocab, d_model)
        self.d_model = d_model

    def forward(self, x):
        return self.lut(x) * math.sqrt(self.d_model)


class PositionalEncoding(nn.Module):
    def __init__(self, d_model, dropout, max_len=5000):
        super(PositionalEncoding, self).__init__()
        self.dropout = nn.Dropout(p=dropout)

        # Compute the positional encodings once in log space.
        pe = torch.zeros(max_len, d_model)
        position = torch.arange(0, max_len).unsqueeze(1)
        div_term = torch.exp(
            torch.arange(0, d_model, 2) * -(math.log(10000.0) / d_model)
        )
        pe[:, 0::2] = torch.sin(position * div_term)
        pe[:, 1::2] = torch.cos(position * div_term)
        pe = pe.unsqueeze(0)
        self.register_buffer("pe", pe)
        # pe will become a persistent parameter of the model
        # that can be used and accessed in other methods of the model

    def forward(self, x):
        x = x + self.pe[:, : x.size(1)].requires_grad_(False)
        return self.dropout(x)


def make_model(
    src_vocab,
    tgt_vocab,
    N=6,
    d_model=512,
    d_ff=2048,
    h=8,
    dropout=0.1,
):
    c = copy.deepcopy
    attn = MultiHeadAttention(h, d_model)
    ff = PositionwiseFeedForward(d_model, d_ff, dropout)
    position = PositionalEncoding(d_model, dropout)
    model = EncoderDecoder(
        Encoder(EncoderLayer(d_model, c(attn), c(ff), dropout), N),
        Decoder(DecoderLayer(d_model, c(attn), c(attn), c(ff), dropout), N),
        nn.Sequential(Embeddings(d_model, src_vocab), c(position)),
        nn.Sequential(Embeddings(d_model, tgt_vocab), c(position)),
        Generator(d_model, tgt_vocab),
    )

    for p in model.parameters():
        if p.dim() > 1:
            nn.init.xavier_uniform_(p)

    return model

本文轉(zhuǎn)自AI生成未來，作者：Maitouer

原文鏈接:??https://mp.weixin.qq.com/s/s-n5I3EpOSgpbV40DbVOMg??

標(biāo)簽

Transformer

已于2024-4-1 15:45:29修改

贊

回復(fù)