[[428029]]

自從徹底搞懂 Self_Attention 機制之后，筆者對 Transformer 模型的理解直接從地下一層上升到大氣層，任督二脈呼之欲出。夜夜入睡之前，那句柔情百轉的"Attention is all you need"時常在耳畔環繞，情到深處不禁拍床叫好。于是在腎上腺素的驅使下，筆者熬了一個晚上，終于實現了 Transformer 模型。

1. 模型總覽

代碼講解之前，首先放出這張經典的模型架構圖。下面的內容中，我會將每個模塊的實現思路以及筆者在Coding過程中的感悟知無不答。沒有代碼基礎的讀者不要慌張，筆者也是最近才入門的，所寫Pytorch代碼沒有花里胡哨，所用變量名詞盡量保持與論文一致，對新手十分友好。

我們觀察模型的結構圖，Transformer模型包含哪些模塊？筆者將其分為以下幾個部分：

接下來我們首先逐個講解，最后將其拼接完成模型的復現。

2. config

下面是這個Demo所用的庫文件以及一些超參的信息。 單獨實現一個Config類保存的原因是，方便日后復用。直接將模型部分復制，所用超參保存在新項目的Config類中即可 。這里不過多贅述。

import torch 
import torch.nn as nn 
import numpy as np 
import math 
 
 
class Config(object): 
    def __init__(self): 
        self.vocab_size = 6 
 
        self.d_model = 20 
        self.n_heads = 2 
 
        assert self.d_model % self.n_heads == 0 
        dim_k  = d_model % n_heads 
        dim_v = d_model % n_heads 
 
        self.padding_size = 30 
        self.UNK = 5 
        self.PAD = 4 
 
        self.N = 6 
        self.p = 0.1 
 
config = Config() 

3. Embedding

Embedding部分接受原始的文本輸入(batch_size*seq_len,例:[[1,3,10,5],[3,4,5],[5,3,1,1]])，疊加一個普通的Embedding層以及一個Positional Embedding層，輸出最后結果。

在這一層中，輸入的是一個list: [batch_size * seq_len]，輸出的是一個tensor:[batch_size * seq_len * d_model]

普通的 Embedding 層想說兩點：

•  

torch.nn.Embedding 
torch.nn.Embedding 
padding_idx 

• 在padding過程中，短補長截

class Embedding(nn.Module): 
    def __init__(self,vocab_size): 
        super(Embedding, self).__init__() 
        # 一個普通的 embedding層，我們可以通過設置padding_idx=config.PAD 來實現論文中的 padding_mask 
        self.embedding = nn.Embedding(vocab_size,config.d_model,padding_idx=config.PAD) 
 
 
    def forward(self,x): 
        # 根據每個句子的長度，進行padding，短補長截 
        for i in range(len(x)): 
            if len(x[i]) < config.padding_size: 
                x[i].extend([config.UNK] * (config.padding_size - len(x[i]))) # 注意 UNK是你詞表中用來表示oov的token索引，這里進行了簡化，直接假設為6 
            else: 
                x[i] = x[i][:config.padding_size] 
        x = self.embedding(torch.tensor(x)) # batch_size * seq_len * d_model 
        return x 

關于Positional Embedding，我們需要參考論文給出的公式。說一句題外話，在作者的實驗中對比了Positional Embedding與單獨采用一個Embedding訓練模型對位置的感知兩種方式，模型效果相差無幾。

class Positional_Encoding(nn.Module): 
 
    def __init__(self,d_model): 
        super(Positional_Encoding,self).__init__() 
        self.d_model = d_model 
 
 
    def forward(self,seq_len,embedding_dim): 
        positional_encoding = np.zeros((seq_len,embedding_dim)) 
        for pos in range(positional_encoding.shape[0]): 
            for i in range(positional_encoding.shape[1]): 
                positional_encoding[pos][i] = math.sin(pos/(10000**(2*i/self.d_model))) if i % 2 == 0 else math.cos(pos/(10000**(2*i/self.d_model))) 
        return torch.from_numpy(positional_encoding) 

4. Encoder

Muti_head_Attention

這一部分是模型的核心內容，理論部分就不過多講解了，讀者可以參考文章開頭的第一個傳送門，文中有基礎的代碼實現。

Encoder 中的 Muti_head_Attention 不需要Mask，因此與我們上一篇文章中的實現方式相同。

為了避免模型信息泄露的問題，Decoder 中的 Muti_head_Attention 需要Mask。這一節中我們重點講解Muti_head_Attention中Mask機制的實現。

如果讀者閱讀了我們的上一篇文章，可以發現下面的代碼有一點小小的不同，主要體現在 forward 函數的參數。

•  

• requires_mask：是否采用Mask機制，在Decoder中設置為True

class Mutihead_Attention(nn.Module): 
    def __init__(self,d_model,dim_k,dim_v,n_heads): 
        super(Mutihead_Attention, self).__init__() 
        self.dim_v = dim_v 
        self.dim_k = dim_k 
        self.n_heads = n_heads 
 
        self.q = nn.Linear(d_model,dim_k) 
        self.k = nn.Linear(d_model,dim_k) 
        self.v = nn.Linear(d_model,dim_v) 
 
        self.o = nn.Linear(dim_v,d_model) 
        self.norm_fact = 1 / math.sqrt(d_model) 
 
    def generate_mask(self,dim): 
        # 此處是 sequence mask ，防止 decoder窺視后面時間步的信息。 
        # padding mask 在數據輸入模型之前完成。 
        matirx = np.ones((dim,dim)) 
        mask = torch.Tensor(np.tril(matirx)) 
 
        return mask==1 
 
    def forward(self,x,y,requires_mask=False): 
        assert self.dim_k % self.n_heads == 0 and self.dim_v % self.n_heads == 0 
        # size of x : [batch_size * seq_len * batch_size] 
        # 對 x 進行自注意力 
        Q = self.q(x).reshape(-1,x.shape[0],x.shape[1],self.dim_k // self.n_heads) # n_heads * batch_size * seq_len * dim_k 
        K = self.k(x).reshape(-1,x.shape[0],x.shape[1],self.dim_k // self.n_heads) # n_heads * batch_size * seq_len * dim_k 
        V = self.v(y).reshape(-1,y.shape[0],y.shape[1],self.dim_v // self.n_heads) # n_heads * batch_size * seq_len * dim_v 
        # print("Attention V shape : {}".format(V.shape)) 
        attention_score = torch.matmul(Q,K.permute(0,1,3,2)) * self.norm_fact 
        if requires_mask: 
            mask = self.generate_mask(x.shape[1]) 
            attention_score.masked_fill(mask,value=float("-inf")) # 注意這里的小Trick，不需要將Q,K,V 分別MASK,只MASKSoftmax之前的結果就好了 
        output = torch.matmul(attention_score,V).reshape(y.shape[0],y.shape[1],-1) 
        # print("Attention output shape : {}".format(output.shape)) 
 
        output = self.o(output) 
        return output 

Feed Forward

這一部分實現很簡單，兩個Linear中連接Relu即可，目的是為模型增添非線性信息，提高模型的擬合能力。

class Feed_Forward(nn.Module): 
    def __init__(self,input_dim,hidden_dim=2048): 
        super(Feed_Forward, self).__init__() 
        self.L1 = nn.Linear(input_dim,hidden_dim) 
        self.L2 = nn.Linear(hidden_dim,input_dim) 
 
    def forward(self,x): 
        output = nn.ReLU()(self.L1(x)) 
        output = self.L2(output) 
        return output 

Add & LayerNorm

這一節我們實現論文中提出的殘差連接以及LayerNorm。

論文中關于這部分給出公式：

代碼中的dropout，在論文中也有所解釋，對輸入layer_norm的tensor進行dropout，對模型的性能影響還是蠻大的。

代碼中的參數 sub_layer ，可以是Feed Forward，也可以是Muti_head_Attention。

class Add_Norm(nn.Module): 
    def __init__(self): 
        self.dropout = nn.Dropout(config.p) 
        super(Add_Norm, self).__init__() 
 
    def forward(self,x,sub_layer,**kwargs): 
        sub_output = sub_layer(x,**kwargs) 
        # print("{} output : {}".format(sub_layer,sub_output.size())) 
        x = self.dropout(x + sub_output) 
 
        layer_norm = nn.LayerNorm(x.size()[1:]) 
        out = layer_norm(x) 
        return out 

OK，Encoder中所有模塊我們已經講解完畢，接下來我們將其拼接作為Encoder

class Encoder(nn.Module): 
    def __init__(self): 
        super(Encoder, self).__init__() 
        self.positional_encoding = Positional_Encoding(config.d_model) 
        self.muti_atten = Mutihead_Attention(config.d_model,config.dim_k,config.dim_v,config.n_heads) 
        self.feed_forward = Feed_Forward(config.d_model) 
 
        self.add_norm = Add_Norm() 
 
 
    def forward(self,x): # batch_size * seq_len 并且 x 的類型不是tensor，是普通list 
 
        x += self.positional_encoding(x.shape[1],config.d_model) 
        # print("After positional_encoding: {}".format(x.size())) 
        output = self.add_norm(x,self.muti_atten,y=x) 
        output = self.add_norm(output,self.feed_forward) 
 
        return output 

5.Decoder

在 Encoder 部分的講解中，我們已經實現了大部分Decoder的模塊。Decoder的Muti_head_Attention引入了Mask機制，Decoder與Encoder 中模塊的拼接方式不同。以上兩點讀者在Coding的時候需要注意。

class Decoder(nn.Module): 
    def __init__(self): 
        super(Decoder, self).__init__() 
        self.positional_encoding = Positional_Encoding(config.d_model) 
        self.muti_atten = Mutihead_Attention(config.d_model,config.dim_k,config.dim_v,config.n_heads) 
        self.feed_forward = Feed_Forward(config.d_model) 
        self.add_norm = Add_Norm() 
 
    def forward(self,x,encoder_output): # batch_size * seq_len 并且 x 的類型不是tensor，是普通list 
        # print(x.size()) 
        x += self.positional_encoding(x.shape[1],config.d_model) 
        # print(x.size()) 
        # 第一個 sub_layer 
        output = self.add_norm(x,self.muti_atten,y=x,requires_mask=True) 
        # 第二個 sub_layer 
        output = self.add_norm(output,self.muti_atten,y=encoder_output,requires_mask=True) 
        # 第三個 sub_layer 
        output = self.add_norm(output,self.feed_forward) 
 
 
        return output 

6.Transformer

至此，所有內容已經鋪墊完畢，我們開始組裝Transformer模型。論文中提到，Transformer中堆疊了6個我們上文中實現的Encoder 和 Decoder。這里筆者采用 nn.Sequential 實現了堆疊操作。

Output模塊的 Linear 和 Softmax 的實現也包含在下面的代碼中

class Transformer_layer(nn.Module): 
    def __init__(self): 
        super(Transformer_layer, self).__init__() 
        self.encoder = Encoder() 
        self.decoder = Decoder() 
 
    def forward(self,x): 
        x_input,x_output = x 
        encoder_output = self.encoder(x_input) 
        decoder_output = self.decoder(x_output,encoder_output) 
        return (encoder_output,decoder_output) 
 
 
class Transformer(nn.Module): 
    def __init__(self,N,vocab_size,output_dim): 
        super(Transformer, self).__init__() 
        self.embedding_input = Embedding(vocab_size=vocab_size) 
        self.embedding_output = Embedding(vocab_size=vocab_size) 
 
        self.output_dim = output_dim 
        self.linear = nn.Linear(config.d_model,output_dim) 
        self.softmax = nn.Softmax(dim=-1) 
        self.model = nn.Sequential(*[Transformer_layer() for _ in range(N)]) 
 
 
    def forward(self,x): 
        x_input , x_output = x 
        x_input = self.embedding_input(x_input) 
        x_output = self.embedding_output(x_output) 
 
        _ , output = self.model((x_input,x_output)) 
 
        output = self.linear(output) 
        output = self.softmax(output) 
 
        return output 

完整代碼

# @Author:Yifx 
# @Contact: Xxuyifan1999@163.com 
# @Time:2021/9/16 20:02 
# @Software: PyCharm 
 
""" 
文件說明： 
""" 
 
import torch 
import torch.nn as nn 
import numpy as np 
import math 
 
 
class Config(object): 
    def __init__(self): 
        self.vocab_size = 6 
 
        self.d_model = 20 
        self.n_heads = 2 
 
        assert self.d_model % self.n_heads == 0 
        dim_k  = self.d_model // self.n_heads 
        dim_v = self.d_model // self.n_heads 
 
 
 
        self.padding_size = 30 
        self.UNK = 5 
        self.PAD = 4 
 
        self.N = 6 
        self.p = 0.1 
 
config = Config() 
 
 
class Embedding(nn.Module): 
    def __init__(self,vocab_size): 
        super(Embedding, self).__init__() 
        # 一個普通的 embedding層，我們可以通過設置padding_idx=config.PAD 來實現論文中的 padding_mask 
        self.embedding = nn.Embedding(vocab_size,config.d_model,padding_idx=config.PAD) 
 
 
    def forward(self,x): 
        # 根據每個句子的長度，進行padding，短補長截 
        for i in range(len(x)): 
            if len(x[i]) < config.padding_size: 
                x[i].extend([config.UNK] * (config.padding_size - len(x[i]))) # 注意 UNK是你詞表中用來表示oov的token索引，這里進行了簡化，直接假設為6 
            else: 
                x[i] = x[i][:config.padding_size] 
        x = self.embedding(torch.tensor(x)) # batch_size * seq_len * d_model 
        return x 
 
 
 
class Positional_Encoding(nn.Module): 
 
    def __init__(self,d_model): 
        super(Positional_Encoding,self).__init__() 
        self.d_model = d_model 
 
 
    def forward(self,seq_len,embedding_dim): 
        positional_encoding = np.zeros((seq_len,embedding_dim)) 
        for pos in range(positional_encoding.shape[0]): 
            for i in range(positional_encoding.shape[1]): 
                positional_encoding[pos][i] = math.sin(pos/(10000**(2*i/self.d_model))) if i % 2 == 0 else math.cos(pos/(10000**(2*i/self.d_model))) 
        return torch.from_numpy(positional_encoding) 
 
 
class Mutihead_Attention(nn.Module): 
    def __init__(self,d_model,dim_k,dim_v,n_heads): 
        super(Mutihead_Attention, self).__init__() 
        self.dim_v = dim_v 
        self.dim_k = dim_k 
        self.n_heads = n_heads 
 
        self.q = nn.Linear(d_model,dim_k) 
        self.k = nn.Linear(d_model,dim_k) 
        self.v = nn.Linear(d_model,dim_v) 
 
        self.o = nn.Linear(dim_v,d_model) 
        self.norm_fact = 1 / math.sqrt(d_model) 
 
    def generate_mask(self,dim): 
        # 此處是 sequence mask ，防止 decoder窺視后面時間步的信息。 
        # padding mask 在數據輸入模型之前完成。 
        matirx = np.ones((dim,dim)) 
        mask = torch.Tensor(np.tril(matirx)) 
 
        return mask==1 
 
    def forward(self,x,y,requires_mask=False): 
        assert self.dim_k % self.n_heads == 0 and self.dim_v % self.n_heads == 0 
        # size of x : [batch_size * seq_len * batch_size] 
        # 對 x 進行自注意力 
        Q = self.q(x).reshape(-1,x.shape[0],x.shape[1],self.dim_k // self.n_heads) # n_heads * batch_size * seq_len * dim_k 
        K = self.k(x).reshape(-1,x.shape[0],x.shape[1],self.dim_k // self.n_heads) # n_heads * batch_size * seq_len * dim_k 
        V = self.v(y).reshape(-1,y.shape[0],y.shape[1],self.dim_v // self.n_heads) # n_heads * batch_size * seq_len * dim_v 
        # print("Attention V shape : {}".format(V.shape)) 
        attention_score = torch.matmul(Q,K.permute(0,1,3,2)) * self.norm_fact 
        if requires_mask: 
            mask = self.generate_mask(x.shape[1]) 
            # masked_fill 函數中，對Mask位置為True的部分進行Mask 
            attention_score.masked_fill(mask,value=float("-inf")) # 注意這里的小Trick，不需要將Q,K,V 分別MASK,只MASKSoftmax之前的結果就好了 
        output = torch.matmul(attention_score,V).reshape(y.shape[0],y.shape[1],-1) 
        # print("Attention output shape : {}".format(output.shape)) 
 
        output = self.o(output) 
        return output 
 
 
class Feed_Forward(nn.Module): 
    def __init__(self,input_dim,hidden_dim=2048): 
        super(Feed_Forward, self).__init__() 
        self.L1 = nn.Linear(input_dim,hidden_dim) 
        self.L2 = nn.Linear(hidden_dim,input_dim) 
 
    def forward(self,x): 
        output = nn.ReLU()(self.L1(x)) 
        output = self.L2(output) 
        return output 
 
class Add_Norm(nn.Module): 
    def __init__(self): 
        self.dropout = nn.Dropout(config.p) 
        super(Add_Norm, self).__init__() 
 
    def forward(self,x,sub_layer,**kwargs): 
        sub_output = sub_layer(x,**kwargs) 
        # print("{} output : {}".format(sub_layer,sub_output.size())) 
        x = self.dropout(x + sub_output) 
 
        layer_norm = nn.LayerNorm(x.size()[1:]) 
        out = layer_norm(x) 
        return out 
 
 
class Encoder(nn.Module): 
    def __init__(self): 
        super(Encoder, self).__init__() 
        self.positional_encoding = Positional_Encoding(config.d_model) 
        self.muti_atten = Mutihead_Attention(config.d_model,config.dim_k,config.dim_v,config.n_heads) 
        self.feed_forward = Feed_Forward(config.d_model) 
 
        self.add_norm = Add_Norm() 
 
 
    def forward(self,x): # batch_size * seq_len 并且 x 的類型不是tensor，是普通list 
 
        x += self.positional_encoding(x.shape[1],config.d_model) 
        # print("After positional_encoding: {}".format(x.size())) 
        output = self.add_norm(x,self.muti_atten,y=x) 
        output = self.add_norm(output,self.feed_forward) 
 
        return output 
 
# 在 Decoder 中，Encoder的輸出作為Query和KEy輸出的那個東西。即 Decoder的Input作為V。此時是可行的 
# 因為在輸入過程中，我們有一個padding操作，將Inputs和Outputs的seq_len這個維度都拉成一樣的了 
# 我們知道，QK那個過程得到的結果是 batch_size * seq_len * seq_len .既然 seq_len 一樣，那么我們可以這樣操作 
# 這樣操作的意義是，Outputs 中的 token 分別對于 Inputs 中的每個token作注意力 
 
class Decoder(nn.Module): 
    def __init__(self): 
        super(Decoder, self).__init__() 
        self.positional_encoding = Positional_Encoding(config.d_model) 
        self.muti_atten = Mutihead_Attention(config.d_model,config.dim_k,config.dim_v,config.n_heads) 
        self.feed_forward = Feed_Forward(config.d_model) 
        self.add_norm = Add_Norm() 
 
    def forward(self,x,encoder_output): # batch_size * seq_len 并且 x 的類型不是tensor，是普通list 
        # print(x.size()) 
        x += self.positional_encoding(x.shape[1],config.d_model) 
        # print(x.size()) 
        # 第一個 sub_layer 
        output = self.add_norm(x,self.muti_atten,y=x,requires_mask=True) 
        # 第二個 sub_layer 
        output = self.add_norm(x,self.muti_atten,y=encoder_output,requires_mask=True) 
        # 第三個 sub_layer 
        output = self.add_norm(output,self.feed_forward) 
        return output 
 
class Transformer_layer(nn.Module): 
    def __init__(self): 
        super(Transformer_layer, self).__init__() 
        self.encoder = Encoder() 
        self.decoder = Decoder() 
 
    def forward(self,x): 
        x_input,x_output = x 
        encoder_output = self.encoder(x_input) 
        decoder_output = self.decoder(x_output,encoder_output) 
        return (encoder_output,decoder_output) 
 
class Transformer(nn.Module): 
    def __init__(self,N,vocab_size,output_dim): 
        super(Transformer, self).__init__() 
        self.embedding_input = Embedding(vocab_size=vocab_size) 
        self.embedding_output = Embedding(vocab_size=vocab_size) 
 
        self.output_dim = output_dim 
        self.linear = nn.Linear(config.d_model,output_dim) 
        self.softmax = nn.Softmax(dim=-1) 
        self.model = nn.Sequential(*[Transformer_layer() for _ in range(N)]) 
 
 
    def forward(self,x): 
        x_input , x_output = x 
        x_input = self.embedding_input(x_input) 
        x_output = self.embedding_output(x_output) 
 
        _ , output = self.model((x_input,x_output)) 
 
        output = self.linear(output) 
        output = self.softmax(output) 
 
        return output