Transformer论文地址及代码实现
1，论文地址:transformer论文地址
2, 论文讲解:
[1]论文讲解1(李沐)
[2]论文讲解2(nlp从入门到放弃)
3，代码实现
代码实现讲解
代码如下 没有数据集 只有大体框架可运行
# code by Tae Hwan Jung(Jeff Jung) @graykode, Derek Miller @dmmiller612
# Reference : https://github.com/jadore801120/attention-is-all-you-need-pytorch
# https://github.com/JayParks/transformer
import numpy as np
import torch
import torch.nn as nn
import torch.optim as optim
import matplotlib.pyplot as plt
# S: Symbol that shows starting of decoding input
# E: Symbol that shows starting of decoding output
# P: Symbol that will fill in blank sequence if current batch data size is short than time steps
def make_batch(sentences):
input_batch = [[src_vocab[n] for n in sentences[0].split()]]
output_batch = [[tgt_vocab[n] for n in sentences[1].split()]]
target_batch = [[tgt_vocab[n] for n in sentences[2].split()]]
return torch.LongTensor(input_batch), torch.LongTensor(output_batch), torch.LongTensor(target_batch)
def get_sinusoid_encoding_table(n_position, d_model):
def cal_angle(position, hid_idx):
return position / np.power(10000, 2 * (hid_idx // 2) / d_model)
def get_posi_angle_vec(position):
return [cal_angle(position, hid_j) for hid_j in range(d_model)]
sinusoid_table = np.array([get_posi_angle_vec(pos_i) for pos_i in range(n_position)])
sinusoid_table[:, 0::2] = np.sin(sinusoid_table[:, 0::2]) # dim 2i
sinusoid_table[:, 1::2] = np.cos(sinusoid_table[:, 1::2]) # dim 2i+1
return torch.FloatTensor(sinusoid_table)
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 x 1 x len_k(=len_q), one is masking
return pad_attn_mask.expand(batch_size, len_q, len_k) # batch_size x len_q x len_k
def get_attn_subsequent_mask(seq):
attn_shape = [seq.size(0), seq.size(1), seq.size(1)]
subsequent_mask = np.triu(np.ones(attn_shape), k=1)
subsequent_mask = torch.from_numpy(subsequent_mask).byte()
return subsequent_mask
class ScaledDotProductAttention(nn.Module):
def __init__(self):
super(ScaledDotProductAttention, self).__init__()
def forward(self, Q, K, V, attn_mask):
scores = torch.matmul(Q, K.transpose(-1, -2)) / np.sqrt(d_k) # scores : [batch_size x n_heads x len_q(=len_k) x len_k(=len_q)]
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
class MultiHeadAttention(nn.Module):
def __init__(self):
super(MultiHeadAttention, self).__init__()
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, Q, K, V, attn_mask):
# q: [batch_size x len_q x d_model], k: [batch_size x len_k x d_model], v: [batch_size x len_k x d_model]
residual, batch_size = Q, Q.size(0)
# (B, S, D) -proj-> (B, S, D) -split-> (B, S, H, W) -trans-> (B, H, S, W)
q_s = self.W_Q(Q).view(batch_size, -1, n_heads, d_k).transpose(1,2) # q_s: [batch_size x n_heads x len_q x d_k]
k_s = self.W_K(K).view(batch_size, -1, n_heads, d_k).transpose(1,2) # k_s: [batch_size x n_heads x len_k x d_k]
v_s = self.W_V(V).view(batch_size, -1, n_heads, d_v).transpose(1,2) # v_s: [batch_size x n_heads x len_k x d_v]
attn_mask = attn_mask.unsqueeze(1).repeat(1, n_heads, 1, 1) # attn_mask : [batch_size x n_heads x len_q x len_k]
# context: [batch_size x n_heads x len_q x d_v], attn: [batch_size x n_heads x len_q(=len_k) x len_k(=len_q)]
context, attn = ScaledDotProductAttention()(q_s, k_s, v_s, attn_mask)
context = context.transpose(1, 2).contiguous().view(batch_size, -1, n_heads * d_v) # context: [batch_size x len_q x n_heads * d_v]
output = self.linear(context)
return self.layer_norm(output + residual), attn # output: [batch_size x len_q x d_model]
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)
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):
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
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
class Encoder(nn.Module):
def __init__(self):
super(Encoder, self).__init__()
self.src_emb = nn.Embedding(src_vocab_size, d_model)
self.pos_emb = nn.Embedding.from_pretrained(get_sinusoid_encoding_table(src_len+1, d_model),freeze=True)
self.layers = nn.ModuleList([EncoderLayer() for _ in range(n_layers)])
def forward(self, enc_inputs): # enc_inputs : [batch_size x source_len]
enc_outputs = self.src_emb(enc_inputs) + self.pos_emb(torch.LongTensor([[1,2,3,4,0]]))
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
class Decoder(nn.Module):
def __init__(self):
super(Decoder, self).__init__()
self.tgt_emb = nn.Embedding(tgt_vocab_size, d_model)
self.pos_emb = nn.Embedding.from_pretrained(get_sinusoid_encoding_table(tgt_len+1, d_model),freeze=True)
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) + self.pos_emb(torch.LongTensor([[5,1,2,3,4]]))
dec_self_attn_pad_mask = get_attn_pad_mask(dec_inputs, dec_inputs)
dec_self_attn_subsequent_mask = get_attn_subsequent_mask(dec_inputs)
dec_self_attn_mask = torch.gt((dec_self_attn_pad_mask + dec_self_attn_subsequent_mask), 0)
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
class Transformer(nn.Module):
def __init__(self):
super(Transformer, self).__init__()
self.encoder = Encoder()
self.decoder = Decoder()
self.projection = nn.Linear(d_model, tgt_vocab_size, bias=False)
def forward(self, enc_inputs, dec_inputs):
enc_outputs, enc_self_attns = self.encoder(enc_inputs)
dec_outputs, dec_self_attns, dec_enc_attns = self.decoder(dec_inputs, enc_inputs, enc_outputs)
dec_logits = self.projection(dec_outputs) # dec_logits : [batch_size x src_vocab_size x tgt_vocab_size]
return dec_logits.view(-1, dec_logits.size(-1)), enc_self_attns, dec_self_attns, dec_enc_attns
def showgraph(attn):
attn = attn[-1].squeeze(0)[0]
attn = attn.squeeze(0).data.numpy()
fig = plt.figure(figsize=(n_heads, n_heads)) # [n_heads, n_heads]
ax = fig.add_subplot(1, 1, 1)
ax.matshow(attn, cmap='viridis')
ax.set_xticklabels(['']+sentences[0].split(), fontdict={'fontsize': 14}, rotation=90)
ax.set_yticklabels(['']+sentences[2].split(), fontdict={'fontsize': 14})
plt.show()
if __name__ == '__main__':
sentences = ['ich mochte ein bier P', 'S i want a beer', 'i want a beer E']
# Transformer Parameters
# Padding Should be Zero
src_vocab = {'P': 0, 'ich': 1, 'mochte': 2, 'ein': 3, 'bier': 4}
src_vocab_size = len(src_vocab)
tgt_vocab = {'P': 0, 'i': 1, 'want': 2, 'a': 3, 'beer': 4, 'S': 5, 'E': 6}
number_dict = {i: w for i, w in enumerate(tgt_vocab)}
tgt_vocab_size = len(tgt_vocab)
src_len = 5 # length of source
tgt_len = 5 # length of target
d_model = 512 # Embedding Size
d_ff = 2048 # FeedForward dimension
d_k = d_v = 64 # dimension of K(=Q), V
n_layers = 6 # number of Encoder of Decoder Layer
n_heads = 8 # number of heads in Multi-Head Attention
model = Transformer()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)
enc_inputs, dec_inputs, target_batch = make_batch(sentences)
for epoch in range(20):
optimizer.zero_grad()
outputs, enc_self_attns, dec_self_attns, dec_enc_attns = model(enc_inputs, dec_inputs)
loss = criterion(outputs, target_batch.contiguous().view(-1))
print('Epoch:', '%04d' % (epoch + 1), 'cost =', '{:.6f}'.format(loss))
loss.backward()
optimizer.step()
# Test
predict, _, _, _ = model(enc_inputs, dec_inputs)
predict = predict.data.max(1, keepdim=True)[1]
print(sentences[0], '->', [number_dict[n.item()] for n in predict.squeeze()])
print('first head of last state enc_self_attns')
showgraph(enc_self_attns)
print('first head of last state dec_self_attns')
showgraph(dec_self_attns)
print('first head of last state dec_enc_attns')
showgraph(dec_enc_attns)
3.1，带中文注释的Transformer版本
import numpy as np
import torch
import torch.nn as nn
import torch.optim as optim
import matplotlib.pyplot as plt
import math
# 代码地址 https://github.com/DA-southampton/TRM_tutorial
# 将单词序列转化为对应id, 这里列表里面的元素还是列表，因为考虑的批处理
def make_batch(sentences):
input_batch = [[src_vocab[n] for n in sentences[0].split()]] # 通过遍历sentences得到encoder输入句子中每个单词的词id词列表
output_batch = [[tgt_vocab[n] for n in sentences[1].split()]] #
target_batch = [[tgt_vocab[n] for n in sentences[2].split()]]
return torch.LongTensor(input_batch), torch.LongTensor(output_batch), torch.LongTensor(target_batch)
## 10
def get_attn_subsequent_mask(seq):
"""
seq: [batch_size, tgt_len] [1, 5]
"""
attn_shape = [seq.size(0), seq.size(1), seq.size(1)] # [batch_size, tgt_len, tgt_len], [1, 5, 5]
# 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 然attn_shape对角线以下的元素为0，
# 其余为1(包含对角线) 这里k=1表示将对角线的1赋值为0,所以这对角线元素为0
subsequence_mask = torch.from_numpy(subsequence_mask).byte() # 将numpy类型转化为torch类型 返回
return subsequence_mask # [batch_size, tgt_len, tgt_len]
## 7. ScaledDotProductAttention 相当于是执行自注意力机制
class ScaledDotProductAttention(nn.Module):
def __init__(self):
super(ScaledDotProductAttention, self).__init__()
# Q, K， V shape [1, 8, 5, 64] attn_mask shape [batch_size x n_heads x len_q x len_k] [1, 8, 5, 5]
def forward(self, Q, K, V, attn_mask):
# 输入进来的维度分别是 [batch_size x n_heads x len_q x d_k] K： [batch_size x n_heads x len_k x d_k] V: [batch_size x n_heads x len_k x 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) # matmul就是简单的矩阵相乘
# [1, 8, 5, 64] * [1, 8, 64, 5] = scores [1, 8, 5, 5] 相当于是求相似度(权重分数)
# 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
# 将score中元素和attn_mask元素中对应起来 在mask_attn中为True的表示为mask 对应的score索引赋值为无穷小 通过Softmax之后权重就为0了
scores.masked_fill_(attn_mask, -1e9) # Fills elements of self tensor with value where mask is one.
# [1, 8, 5, 5] 通过Softmax之后mask的地方权重就为0了
attn = nn.Softmax(dim=-1)(scores) # 将权重分数矩阵经过Softmax 对最后一维进行Softmax 也就是 5*5中的行维度 一个q对5个k的权重分数
context = torch.matmul(attn, V) # 通过加权和WeightSum得到上下文向量
return context, attn
# 返回上下文context [1, 8, 5, 64] # 和注意力权重矩阵[1, 8, 5, 5]
# --6. MultiHeadAttention +*
# 注意多头注意力层就包含里layerNorm和残差
class MultiHeadAttention(nn.Module):
def __init__(self):
super(MultiHeadAttention, self).__init__()
# 这三个矩阵个主要是将输入x投影为q, k, v矩阵
self.W_Q = nn.Linear(d_model, d_k * n_heads) # dk = dv = 64 Linear(512, 8*64)
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) # 这里最后是投影回去到512维 相当于变化之后又投影回去
self.layer_norm = nn.LayerNorm(d_model) # 这里做层归一化
# enc_inputs to same Q,K,V 都是enc_inputs
# Q, K, V的shape 是(batch_size, x_len, model)(1, 5, 512) attn_mask的shape(batch_size, len_q, len_k)(1, 5, 5)
# 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
def forward(self, Q, K, V, attn_mask):
# 这个多头分为这几个步骤，首先映射分头，然后计算(权重分数)atten_scores，然后计算atten_value;
# 输入进来的数据形状： Q: [batch_size x len_q x d_model], K: [batch_size x len_k x d_model], V: [batch_size x len_k x d_model]
residual, batch_size = Q, Q.size(0) # residual 就是先保存Q的值 之后用于残差连接
# (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；一定要注意的是q和k分头之后维度是一致额，所以一看这里都是dk , #--注意q k 的维度是相同的不然不能使用了
q_s = self.W_Q(Q).view(batch_size, -1, n_heads, d_k).transpose(1,2) # q_s: [batch_size x n_heads x len_q x d_k]
k_s = self.W_K(K).view(batch_size, -1, n_heads, d_k).transpose(1,2) # k_s: [batch_size x n_heads x len_k x d_k]
v_s = self.W_V(V).view(batch_size, -1, n_heads, d_v).transpose(1,2) # v_s: [batch_size x n_heads x len_k x d_v]
# [1, 8, 5, 64] [batch_size x n_heads x len_k x d_v]
# 输入进行的attn_mask形状是 batch_size x len_q x len_k (1, 5, 5)，然后经过下面这个代码得到 新的attn_mask : [batch_size x n_heads x len_q x 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) # repeat 表是只有第二维平铺 其他维度保持不变
# [1, 8, 5, 5] [batch_size, n_heads, len_q, len_k]
# 然后我们计算 ScaledDotProductAttention 这个函数，去7.看一下
## 得到的结果有两个：context: [batch_size x n_heads x len_q x d_v], attn: [batch_size x n_heads x len_q x len_k]
context, attn = ScaledDotProductAttention()(q_s, k_s, v_s, attn_mask) # 通过计算并行计算得到上下文向量和权重矩阵
# [1, 8, 5, 64], [1, 8, 5, 5]
# contiguous()相当于拷贝一份context 改动拷贝后的不会影响拷贝前的变量 如果不是的话 就会改变
# 将8个多头合并得到整体的上下文变量为新的context
context = context.transpose(1, 2).contiguous().view(batch_size, -1, n_heads * d_v) # context: [batch_size x len_q x n_heads * d_v]
# context shape [1, 5, 512]
output = self.linear(context) # 将context通过全连接层(投影)得到输出 还是[1, 5, 512]
return self.layer_norm(output + residual), attn # output: [batch_size x len_q x d_model]
# 将输入的结果和之前的和残差连接相加 [1, 5, 512] [1, 8, 5, 5]
## 8. PoswiseFeedForwardNet
# 这里也是包括残差和layerNorm的
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) # d_model = 512 d_ff=2048
self.conv2 = nn.Conv1d(in_channels=d_ff, out_channels=d_model, kernel_size=1) # 然后在卷积回去
self.layer_norm = nn.LayerNorm(d_model) # 进行层归一化
# 传入的是[1, 5, 512] [batch_size, x_len, d_model]
def forward(self, inputs):
residual = inputs # inputs : [batch_size, len_q, d_model] # 先保存输入结果用于残差连接
# inputs [1, 5, 512]
output = nn.ReLU()(self.conv1(inputs.transpose(1, 2))) # conv1 里面是[1, 512, 5] output: 是[1, 2048, 5]
# print(output.shape)
output = self.conv2(output).transpose(1, 2) # conv2 里面是[1, 2048, 5] output: [1, 5, 512]
# print(output.shape)
return self.layer_norm(output + residual) # 通过和residual相加作为编码器的输出 [1, 5, 512]
# 4. get_attn_pad_mask
# 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之前会把这里置为无穷大；
# 一定需要注意的是这里得到的矩阵形状是batch_size x len_q x len_k，我们是对k中的pad符号进行标识，并没有对k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；
# --get_attn_pad_mask(enc_inputs, enc_inputs) # --[batch_size, src_len] [1, 5]
def get_attn_pad_mask(seq_q, seq_k):
batch_size, len_q = seq_q.size() # len_q = len_k = 5
batch_size, len_k = seq_k.size()
# eq(zero) is PAD token
# batch_size x 1 x len_k, one is masking
# --这里将seq_k的元素为0表示为True 非0表示为False 所以1表示mask 最后加一维度 位置进行扩展
pad_attn_mask = seq_k.data.eq(0).unsqueeze(1) # shape[batch_size, 1, len_k]
# expand()就是一个扩展函数 将[batch_size, 1, len_k] 扩展为[batch_size, len_q, len_k]
return pad_attn_mask.expand(batch_size, len_q, len_k) # batch_size x len_q x len_k
## 3. PositionalEncoding 代码实现
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)
pe = torch.zeros(max_len, d_model) # 生成一个(5000,512)的矩阵 相当于是初始化
position = torch.arange(0, max_len, dtype=torch.float).unsqueeze(1) # unsqueeze 就是将第二维度的值置为1 就是把[5000]变成[5000, 1]
div_term = torch.exp(torch.arange(0, d_model, 2).float() * (-math.log(10000.0) / d_model)) # 实现的是括号里面共有的部分
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，步长为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，步长为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，我们得到的pe形状是：[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
# x的形状: [src_len, batch_size, d_model] [5, 1, 512]
def forward(self, x):
"""
x: [seq_len, batch_size, d_model]
"""
# pe形状是：[max_len, 1, d_model] 如果batch大于1 会采用广播机制
x = x + self.pe[:x.size(0), :] # 将位置编码加入到x中返回
return self.dropout(x)
# --5. 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() # 多头注意力函数 两个全连接层加一个layernorm
self.pos_ffn = PoswiseFeedForwardNet() # --前馈神经网络层 两个卷积层就一个layerNorm
# 1.[batch_size, src_len, d_model](1, 5, 512) 2.[batch_size, len_q, len_k] (1, 5, 5) 传入到函数中 这里enc_inputs是已经加了位置编码的
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.
# 返回的第一个参数相当于是上下文向量投影之后和残差的和enc_output:[1, 5, 512] attn:[1, 8, 5, 5]
enc_outputs, attn = self.enc_self_attn(enc_inputs, enc_inputs, enc_inputs, enc_self_attn_mask) # enc_inputs to same Q,K,V 自己求注意力 mask矩阵是为计算的时候将权重赋值为0
enc_outputs = self.pos_ffn(enc_outputs) # enc_outputs: [batch_size x len_q x d_model] # 最终的都编码器的输出
return enc_outputs, attn # 返回编码器的输出[1, 5, 512]和权重矩阵[1, 8, 5, 5] 因为之后要和解码器端的多头注意相结合 所以这里继续保持八个头的权重矩阵
# 2. Encoder 部分包含三个部分：词向量embedding，位置编码部分，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) # 这个其实就是去相当于定义生成一个矩阵(语料库)，大小是 src_vocab_size * d_model， 6*512
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.layers = 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；
# 输入enc_inputs = [[1, 2, 3, 4, 0]] 形状是(1,5)
def forward(self, enc_inputs):
# 这里我们的 enc_inputs 形状是： [batch_size x source_len]
# 下面这个代码通过src_emb，进行索引定位，enc_outputs输出形状是[batch_size, src_len, d_model] (1,5,512)
enc_outputs = self.src_emb(enc_inputs) # --相当于是把词id转化为词向量 词嵌入
# 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；3.
# 词向量的输出作为位置编码的输入 将位置编码和词向量进行相加 # 返回的是[src_len, batch_size, d_model] [5, 1, 512]
enc_outputs = self.pos_emb(enc_outputs.transpose(0, 1)).transpose(0, 1) # transpose0 1 就是将第0维和第1维转置 这里转置只是为了方便加入位置编码
# 将加入位置编码之后在词翻转得到[batch_size, src_len, d_model] 和原来的enc_outputs结果一致 为[1, 5, 512]
# 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) # 注意这里enc_inputs 而不是enc_outputs shape为(1, 5)
# 返回之后得到的enc_self_attn_mask shape为[batch_size, len_q, len_k](1, 5, 5)
enc_self_attns = [] # 将权重矩阵添加到enc_self_attns列表中
for layer in self.layers:
## 去看EncoderLayer 层函数 5.
# 这里输入的enc_outputs是已经在单词序列转化为单词id之后再通过词嵌入和位置编码之后得到的enc_outputs shape为(1, 5, 512)
enc_outputs, enc_self_attn = layer(enc_outputs, enc_self_attn_mask) # 得到当前层编码器的输出和权重矩阵enc_self_attn
# 1.[batch_size, src_len, d_model](1, 5, 512) 2.[batch_size, len_q, len_k] (1, 5, 5)
enc_self_attns.append(enc_self_attn) # 将权重矩阵添加到enc_self_attns列表中
return enc_outputs, enc_self_attns # 返回最终层(第六个编码快)的的输出 和 enc_self_attns列表
# enc_outputs [1, 5, 512] enc_self_attns是一个列表 每个列表元素的shape为[1, 8, 5, 5] 其中mask的地方值为0
## 10.
class DecoderLayer(nn.Module):
def __init__(self):
super(DecoderLayer, self).__init__()
# 注意多头注意力层就包含里layerNorm和残差
self.dec_self_attn = MultiHeadAttention() # 这个是解码器的自我注意力(没有编码器的输入)
self.dec_enc_attn = MultiHeadAttention() # 这个是编码器和解码器的注意力(有编码器的输入k, v)
self.pos_ffn = PoswiseFeedForwardNet() # 前馈神经网络
# 前面两个参数都是[1, 5, 512], 后面两个参数都是[1, 5, 5]
def forward(self, dec_inputs, enc_outputs, dec_self_attn_mask, dec_enc_attn_mask):
# 解码器第一个多头注意力层 都是q, k, v的自我注意力和编码器无关 不需要交互
dec_outputs, dec_self_attn = self.dec_self_attn(dec_inputs, dec_inputs, dec_inputs, dec_self_attn_mask)
# 解码器的第二个多个注意力层 这是将解码器的q 和编码器的k, v 求多头注意力机制 需要和编码器进行交互(k, v)
dec_outputs, dec_enc_attn = self.dec_enc_attn(dec_outputs, enc_outputs, enc_outputs, dec_enc_attn_mask) # 两个shape分别是[1, 5, 512], [1, 8, 5, 5]
dec_outputs = self.pos_ffn(dec_outputs) # 最后将输入进去全连接层得到输出 注意多头注意力层就包含里layerNorm和残差
return dec_outputs, dec_self_attn, dec_enc_attn
# 返回的shape 分别是[1, 5, 512] 和后面两个都是[1, 8, 5, 5]
## 9. Decoder
class Decoder(nn.Module):
def __init__(self):
super(Decoder, self).__init__()
self.tgt_emb = nn.Embedding(tgt_vocab_size, d_model) # Eembedding层 这里是(7, 512)
self.pos_emb = PositionalEncoding(d_model) # 位置编码层
self.layers = nn.ModuleList([DecoderLayer() for _ in range(n_layers)]) # 6层
# 1, 2的shape都是[1, 5] 3 shape[1, 5, 512]
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] [1, 5, 512]
dec_outputs = self.pos_emb(dec_outputs.transpose(0, 1)).transpose(0, 1) # [batch_size, tgt_len, d_model],[1, 5, 512]
# get_attn_pad_mask 自注意力层的时候的pad部分 这个mask里面每一行都是一样的 因为他们是通过行expand展开
dec_self_attn_pad_mask = get_attn_pad_mask(dec_inputs, dec_inputs) # 返回的是 [1, 5, 5] [batch_size, len_q, len_k]
# 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的矩阵对角线元素为0
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
# 这里是解码器端第一个掩码mask矩阵与编码器无关！！！
dec_self_attn_mask = torch.gt((dec_self_attn_pad_mask + dec_self_attn_subsequent_mask), 0) # gt(a, b) 返回a>b的索引位置
# shape(1, 5, 5)
# 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
# 这里是解码器端第二个掩码mask矩阵与与编码器有关！！！ 这里是编码器k,v 和解码器的q求掩码 输入的都是[1, 5]
dec_enc_attn_mask = get_attn_pad_mask(dec_inputs, enc_inputs) # 1, q 2, k shape[1, 5, 5]
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.从整体网路结构来看，分为三个部分：编码层，解码层，输出层
class Transformer(nn.Module):
def __init__(self):
super(Transformer, self).__init__()
self.encoder = Encoder() # --编码层
self.decoder = Decoder() # --解码层
# 将token维度映射到词表大小中 d_m=512 t_v_s=7
self.projection = nn.Linear(d_model, tgt_vocab_size, bias=False)
# --输出层d_model是我们解码层每个token输出的维度大小512，之后会做一个tgt_vocab_size大小的softmax
# 接受两个输入 shape都是(1, 5)
def forward(self, enc_inputs, dec_inputs):
# --这里有两个数据进行输入，一个是enc_inputs 形状为[batch_size, src_len]，主要是作为编码器的输入，一个dec_inputs，形状为[batch_size, tgt_len]，主要是作为解码端的输入
# 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(权重分数矩阵)，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) # [1, 5, 512] 2,长度为6的列表因为这里是6层encoderblock 元素为每层的权重矩阵 []
## 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)
# 1, 5, 512， 后两个是[1, 8, 5, 5]
## dec_outputs做映射到词表大小 dec_logits[1, 5, 7], [batch_size x enc_input_len tgt_vocab_size]
dec_logits = self.projection(dec_outputs) # dec_logits : [batch_size x src_vocab_size x tgt_vocab_size]
return dec_logits.view(-1, dec_logits.size(-1)), enc_self_attns, dec_self_attns, dec_enc_attns
if __name__ == '__main__':
## 句子的输入部分，
# -- '第一句是德语P padding 负责不一致的长度填充 S start E end' 'i want a beer E'相当于是正确标签
# -- 第一个元素是编码器的输入 第二是解码器的输入 第三个是正确解标签
sentences = ['ich mochte ein bier P', 'S i want a beer', 'i want a beer E']
# Transformer Parameters
# Padding Should be Zero
## 构建词表(单词id列表) 相当于是输入语言语料库
src_vocab = {'P': 0, 'ich': 1, 'mochte': 2, 'ein': 3, 'bier': 4, 'hello': 5} # corpusId p的词id是0
src_vocab_size = len(src_vocab) # 6
tgt_vocab = {'P': 0, 'i': 1, 'want': 2, 'a': 3, 'beer': 4, 'S': 5, 'E': 6} # 另一种语言的词id字典
tgt_vocab_size = len(tgt_vocab)
src_len = 5 # length of source 编码器输入长度
tgt_len = 5 # length of target 解码器的输入长度
# -模型参数:超参数
d_model = 512 # Embedding Size 单词向量维度
d_ff = 2048 # FeedForward dimension 全连接层的维度
d_k = d_v = 64 # dimension of K(=Q), V (64*8)
n_layers = 6 # number of Encoder of Decoder Layer
n_heads = 8 # number of heads in Multi-Head Attention
# --写模型的时候应该遵循的两个规则
# --1，从整体到局部
# --2，搞清楚数据的流通形状
model = Transformer() # --创建一个transformer对象
criterion = nn.CrossEntropyLoss() # 损失函数 这里是交叉熵损失函数
optimizer = optim.Adam(model.parameters(), lr=0.001) # 利用Adam优化(梯度下降) 传入学习率0.001
# 1，输入的是一个列表， 元素分别为输入句子单词序列 编码器输入的单词序列 正确解标签的单词序列
enc_inputs, dec_inputs, target_batch = make_batch(sentences) # 输入的列表元素是单词序列 返回的是列表元素是id序列列表
for epoch in range(20):
optimizer.zero_grad() # --初始化为0梯度
outputs, enc_self_attns, dec_self_attns, dec_enc_attns = model(enc_inputs, dec_inputs)
# --transformer对象接受两个输入 分别是编码器输入和解码器输入
# --将输入放入模型中得到总的输出 和三个权重矩阵 其中一个来自编码端 两个来自解码器端
# output [5, 7] target_batch.view(-1)
# 第一个参数传递的是每个单词一次出现的概率 将最大概率转化为id转化以下就可以求loss了 第二个参数传递的是正确索引的id
loss = criterion(outputs, target_batch.contiguous().view(-1)) # 将得到的输出和正确标签就损失
print('Epoch:', '%04d' % (epoch + 1), 'cost =', '{:.6f}'.format(loss))
loss.backward() # bp
optimizer.step() # 更新所有的参数
参考链接:
[1]https://www.bilibili.com/video/BV1pu411o7BE
[2]https://www.bilibili.com/video/BV1Di4y1c7Zm
[3]https://www.bilibili.com/video/BV1dR4y1E7aL
