一文詳解Transformer 細節及代碼實現
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 領域中取得了 SOTA 的表現，之后也逐漸的被運用到 CV 及其他領域里，依舊展露出耀眼的鋒芒！網絡上已有很多樂于奉獻的博主、大佬們通過文章、視頻等方式詳細解釋了 Transformer 的整體架構，對我的學習起到了極大的幫助。本文著重于以下兩點：
- Dimensions文章會盡量詳細的介紹 Transformer 各個子層輸入、輸出、權重等的具體維度。
- Implementation在詳細了解各層的結構之后趁熱打鐵利用Pytorch對網絡結構代碼實現。
Transformer
Transformer 主要由 Encoder 和 Decoder 各重復 N 次構成 (在原論文中重復 6 次)，如圖：
圖 2：Transformer 模型整體結構
Encoder 和 Decoder 的數據流如下圖 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。就機器翻譯的任務而言，第一個 Encoder 的輸入是源語言的 token，而最后一個 Decoder 的輸出是目標語言的 token。
圖 3：Encoder 和 Decoder 各層及相互之間的數據流
接下來，我們深入探討每一個 Encoder 和 Decoder 的內部，看看它們如何通過接收相同維度 的輸入來產生維度為 的輸出。需要注意，輸入到 Encoder 和 Decoder 的輸入數分別為可以不相同。（例如：在機器翻譯任務中“你好”英文翻譯成“hello”，很明顯單詞的數量是不一樣的，當然這個例子不嚴謹，因為并不是每個字或者單詞就是一個 token）
在每一個 Encoder 和 Decoder 的內部包含有一些子層，如下圖 4 所示：
圖 4：Encoder 和 Decoder 內部子層結構
這里我們先引入一些必要的庫，方便大家在后續代碼中直接調用：
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。預測正確單詞的關鍵在于上下文和前面單詞所提供的信息。即：下圖中箭頭所表達的含義：
圖 5：現實中單詞填空的例子
在句子中，每個單詞之間的關聯程度是不一樣的。例如，"cinema"（電影院）和 "watch"（觀看）這兩個詞在上下文中的關系更密切，這有助于預測空白處與電影相關的詞。因此，每個詞都要根據上下文和這些詞的關聯程度，以不同的關注度去關注其他詞，這其實就是 Attention 的思想。
在具體計算上，輸入的句子會經過 Embedding 層獲得每個單詞對應的 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成維度是的矩陣 。在每個特征向量上，使用 3 個可學習的權重矩陣進行 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。
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：
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積，作為兩單詞之間的關聯權重，如下圖所示[4]：
圖 8：單詞間關聯權重的計算過程
將得到的權重分別與對應單詞的相乘再求和得到：考慮了單詞間關聯程度的特征向量。
圖 9：獲得關聯程度加權后的單詞特征向量的計算過程
Encoder
每一個 Encoder 內部包含兩個子層，每個子層后進行 LayerNormalization 和 殘差連接：
- Multi-Head Attention (多頭注意力)
- Feed Forward （前向傳播網絡）
圖 10：Encoder 單獨結構
Multi-Head Attention in Encoder
Multi-Head Attention 是最關鍵、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）。
圖 11：Multi-Head Attention 計算過程和維度細節
每個 Attention Head 都有自己學習到的線性變換，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學習的，因此每個 Attention Head 都有可能學會關注不同的事物。在 NLP 任務中，這可能意味著一個 Attention Head 會學習關注語法關系（如主謂一致），而另一個注意頭則會學習關注語義關系。每個內部均采取如下的執行流程：
- 輸入 Input Embedding + Positional Encoding或 outputs from previous encoder，矩陣大小為，通過將輸入與相應的權重矩陣相乘獲得 Query (), Key (), Key () 三個大家耳熟能詳的矩陣。
圖 12：Q, K, V 矩陣的計算過程
- 執行scaled dot-product attention計算獲得 attention 矩陣。如下圖 12 所示：首先，對如上節圖 8 最終獲得的注意力分數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 key 向量的維度很大。由于維度增加，查詢向量 q 和 k 之間的點積可能會變得不成比例地大。這可能會導致訓練過程中出現問題，例如梯度爆炸或梯度消失，從而阻礙學習過程，并使模型難以有效捕捉標記之間的依賴關系。通過這種縮放的方法，可以縮減注意力分數，確保其大小保持在可控范圍內。這種縮放可以防止點積變得過大，并有助于穩定學習過程。
圖 13：含縮放因子的 dot product attention 計算過程
- 將注意力分數矩陣和矩陣相乘得到加權之后的新的特征向量矩陣，作為的輸出。如下圖 14 所示：
圖 14：對 V 進行注意力加權得到每個 Head 的輸出
- 接下來，將所有 head 的輸出拼接起來得到，再經過一次線性變換，得到 Multi-Head Attention 的輸出：
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)。代碼實現如下[6]：
該代碼的 attention 函數中包含 mask 項，這是由于 Decoder 里 Masked Multi-Head Attention 也會用到該函數，因此，統一設置 mask 參數。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
圖 16：FFN 網絡結構圖
前向傳播網絡采用大小為的輸入，通過執行如下函數，得到相同大小的輸出：
圖 17：FFN 公式內容
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，可以簡化模型訓練過程，從而提高性能并縮短訓練時間。
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 residualEncoder Implementation
通過上面的步驟我們已經實現了 Multi-Head Attention 和 Feed Forward Network 將他們通過經過 LayerNorm 和殘差連接之后組合起來就構成了 1 個 Encoder，然后，把它復制 N 份就實現了 Transformer 左邊的結構。
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 residualDecoder
Decoder 包含三個子層：
- Masked Multi-Head Attention
- Multi-Head Attention
- Feed Forward
圖 18：Decoder 單獨結構
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（目標序列的 token 向量）作為輸入，然后產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聯。可以通過將矩陣中時刻之后的 query-key 組合設成來實現，如下圖。
通過 mask 可以防止當前位置的 query 與其后的 key 產生關聯。例如：在機器翻譯任務中，原句子是 "簡打算去影院看一部新電影。"，目標句子是 "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生關聯，而不會與其后還未翻譯出來的單詞產生聯系。因此，需要使用 mask 將 cinema 后面的單詞遮住。
圖 19：Decoder 中的權重矩陣
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。
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 的實現很容易得到 Decoder 的代碼實現：
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前時刻的輸入，然后產生當前時刻的輸出，如下圖所示。
圖 21：Auto-Regressive 的例子
圖 22：Linear 層和 Softmax層結構
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
圖 23：Embedding 層結構
Embeddings
與其他的序列模型相同，Transformer 使用可學習的 embedding 將 input tokens 和 output tokens 轉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 基礎上額外的添加位置編碼，來表示序列中 tokens 的次序關系，論文中使用 cosine 函數來計算：
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現，接下來就是完整 Transformer 模型的構建：
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 modelAppendix
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本文轉自AI生成未來 ，作者：Maitouer
