0
点赞
收藏
分享

微信扫一扫

Transformer论文地址+讲解以及代码实现

冬冬_79d4 2022-02-20 阅读 77

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:[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012...,127
        ## 假设我的demodel是5122i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

举报

相关推荐

0 条评论