从今天开始,我会再看一遍Transformer(这是第3遍了吧……)。
这次是依据Transformer 模型的 PyTorch 实现进行学习,再梳理一下Transformer模型的重点,最后用Pytorch实现。
本来想用AllenNLP一步到位,但是前天敲了一天发现不行,我对Pytorch不懂,同时还是不了AllenNLP,干脆从头再来。
在这里参考The Annotated Transformer进行实现。
- 第一节完成各个模块的编写
- 第二节完成模型的组成
- 第三节运行训练和预测
1. 引入必要的库
import numpy as np
import torch
import torch.nn as nn
import torch.nn.functional as F
import math, copy, time
from torch.autograd import Variable
import matplotlib.pyplot as plt
import seaborn
# Seaborn作为一个带着定制主题和高级界面控制的Matplotlib扩展包,能让绘图变得更轻松.
seaborn.set_context(context="talk")
2. 首先是Encoder-Decoder结构。
- encoder将使用符号表示的输入inputs序列,映射到一个连续表示的序列Z。
- decoder一次一个元素地生成符号输出序列Y。
在每一步模型均为自动回归(auto-regressive),即在生成下一个符号时将先前生成的符号作为附加输入。
class EncoderDecoder(nn.Module):
'''
构建一个标准的Encoder-Decoder架构
可以发现里面的encode和decode处理的不同,在前面说过,decoder比encoder多了一个context attention。
'''
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 encode(self, src, src_mask):
return self.encoder(self.tgt_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)
def forward(self, src, tgt, src_mask, tgt_mask):
return self.decode(self.encode(src, src_mask), src_mask, tgt, tgt_mask)
class Generator(nn.Module):
'''
定义标准的线性+softmax生成步骤
这是在8. Embeddings和Softmax中
'''
def __init__(self, d_model, vocab):
super(Generator, self).__init__()
self.proj = nn.Linear(d_model, vocab)
def forward(self, x):
return F.log_softmax(self.proj(x), dim=1)
3. Encoder和Decoder堆(stack)
在模型中Encoder和Decoder都是由六个相同的层构建出来的堆。
在这里先实现这两个堆
3.1 首先构建Encoder堆
注意在堆中每一层都要进行残差连接和层归一Layer-Normalization
上一节中说了残差连接和层归一的算法,我们看如何实现
我们在每两个block之间都使用了残差连接(Residual Connection)和层归一。
实现的顺序是:
(1) 完成最上层,6层layer的构建,通过clones复制每一个层,实现层归一,
(2) 完成block的残差连接
(3) 完成每一层中的两个block的multi-heads self-attention和前馈网络
def clones(module, N):
return nn.ModuleList([copy.deepcopy(module) for _ in range(N)])
class LayerNorm(nn.Module):
def __init__(self, features, eps=1e-6):
super(LayerNorm, self).__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 Encoder(nn.Module):
'''
核心encoder是N层构成的堆
'''
def __init__(self, layer, N):
super(Encoder, self).__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)
每一层layer的输出为LayerNorm(x+Sublayer(x))。
其中Sublayer(x)是由block自动实现,每个子层输出上使用Dropout,再送入下一个block,并进行归一化。
class SublayerConnection(nn.Module):
def __init__(self, size, dropout):
super(SublayerConnection, self).__init__()
self.norm = LayerNorm(size)
self.dropout = nn.Dropout(dropout)
def forward(self, x, sublayer):
'''
将残差连接以同样的size到任意一个子层
:param x:
:param sublayer:
:return:
'''
return x + self.dropout(sublayer(self.norm(x)))
Encoder的每一层有两个block(教程中使用子层来称呼)
第一个block是multi-heads self-attention
第二个block是一个简单的前馈网络
Encoder由self-attn, feed_forward, dropout构成
class EncoderLayer(nn.Module):
def __init__(self, size, self_attn, feed_forward, dropout):
super(EncoderLayer, self).__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.self_attn(x, x, x, mask))
return self.sublayer[1](x, self.feed_forward)
3.2 构建Decoder堆
注意在Decoder堆中每一层都要进行残差连接和层归一Layer-Normalization
Decoder堆区别是在于多了一个multi-heads context-attention用于处理和Encoder的连接。
我们在每两个block之间都使用了残差连接(Residual Connection)和层归一。
实现的顺序是:
(1) 完成最上层,6层layer的构建,通过clones复制每一个层,实现层归一
(2) 完成block的残差连接
(3) 完成每一层中的两个block的multi-heads self-attention和前馈网络
和encoder一样,复制6层,只是在每一层中比encoder多了memory。
class Decoder(nn.Module):
def __init__(self, layer, N):
super(Decoder, self).__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)
DecoderLayer与EncoderLayer类似,只是EncoderLayer的mask在这里变成了src_mask和tgt_mask,同时增加了memory。
但是这部分的sublayer没有看懂,为什么会有三个?复制了3个layer。
第一个用于存放self-attention,第二个用于存放src_attention(看情形里面的是memory的维度,应该是context-attention)。
而第三个是处理后的前馈网络。
class DecoderLayer(nn.Module):
def __init__(self, size, self_attn, src_attn, feed_forward, dropout):
super(DecoderLayer, self).__init__()
self.self_attn = self_attn
self.feed_forward = feed_forward
self.src_attn = src_attn
self.sublayer = clones(SublayerConnection(size, dropout), 3)
self.size = size
def forward(self, x, memory, src_mask, tgt_mask):
m = memory
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)
修改Decoder的self-attention部分,防止当前位置影响后续位置,就是用mask处理attention,这种mask处理,与输入输出嵌入偏移一个位置相结合,确保位置的预测仅依赖于之前已知输出。
def subsequent_mask(size):
"Mask out subsequent positions."
attn_shape = (1, size, size)
subsequent_mask = np.triu(np.ones(attn_shape), k=1).astype('uint8')
return torch.from_numpy(subsequent_mask) == 0
if __name__ == '__main__':
plt.figure(figsize=(5,5))
plt.imshow(subsequent_mask(20)[0])
plt.show()
3. Attention
可以看到,在之前构建Transformer的时候,使用到Attention并没有去实现。
上一节提到的,Attention机制在Transformer中是如何实现的?
Scaled dot product attention,Attention可以被描述为将Query和一组Key-Value映射到输出,其中Query、Key、Value和output都是向量。output被计算为值的加权和,其中分配给每个值的权重由Query与对应Key的兼容性函数计算。
重要的区别是做了一个的缩放。
具体实现
- input是维度为Query和Key,维度为Value
- 计算Query和Key的点积
- 与相乘完成缩放
- 使用softmax函数处理结果获取Key的权重
def attention(query, key, value, mask=None, dropout=None):
d_k = query.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 = F.softmax(scores, dim=-1)
if dropout is not None:
p_attn = dropout(p_attn)
return torch.matmul(p_attn, value), p_attn
3.1 实现multi-heads机制
multi-heads attention.png“多头”机制能让模型考虑到不同位置的Attention,另外“多头”Attention可以在不同的子空间表示不一样的关联关系,使用单个Head的Attention一般达不到这种效果。
在实现中使用h=8大小的head构成并行Attention, 。
这部分的实现确实不太好懂……
class MultiHeadedAttention(nn.Module):
def __init__(self, h, d_model, dropout=0.1):
super(MultiHeadedAttention, self).__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(p=dropout)
def forward(self, query, key, value, mask=None):
if mask is not None:
mask = mask.unsqueeze(1)
nbatches = query.size(0)
# 1) Do all the linear projections in batch from d_model => h x d_k
query, key, value = [l(x).view(nbatches, -1, self.h, self.d_k).transpose(1, 2) for l, x in
zip(self.linears, (query, key, value))]
# 2) Apply attention on all the projected vectors in batch.
x, self.attn = attention(query, key, value, mask=mask, dropout=self.dropout)
# 3) "Concat" using a view and apply a final linear.
x = x.transpose(1, 2).contiguous().view(nbatches, -1, self.h * self.d_k)
return self.linears[-1](x)
4. Attention在模型中的应用
Transformer中以三种不同的方式使用了“多头”Attention:
- 在"Encoder-Decoder Attention"层,Query来自先前的解码器层,并且Key和Value来自Encoder的输出。Decoder中的每个位置Attend输入序列中的所有位置,这与Seq2Seq模型中的经典的Encoder-Decoder Attention机制一致。
- Encoder中的Self-attention层。在Self-attention层中,所有的Key、Value和Query都来同一个地方,这里都是来自Encoder中前一层的输出。Encoder中当前层的每个位置都能Attend到前一层的所有位置。
- Decoder中的Self-attention层。允许Decoder中的每个位置Attend当前解码位置和它前面的所有位置。这里需要屏蔽解码器中向左的信息流以保持自回归属性。具体的实现方式是在缩放后的点积Attention中,屏蔽(设为负无穷)Softmax的输入中所有对应着非法连接的Value。
5. Position-wise前馈网络
在每一个block中,都包含有一个全连接的前馈神经网络。包含两个线性变换,然后使用Relu作为激活函数。
class PositionwiseFeedForward(nn.Module):
def __init__(self, d_model, d_ff, dropout=0.1):
super(PositionwiseFeedForward, self).__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_2(self.dropout(F.relu(self.w_1(x))))
6. Embedding和Softmax
与其他序列转换模型类似,我们使用学习嵌入将输入标记和输出标记转换为维度的向量。
还使用线性变换和softmax函数将Decoder输出转换为预测的下一个token概率。
在模型中,两个嵌入层和pre-softmax线性变换之间共享相同的权重矩阵。
class Embeddings(nn.Module):
def __init__(self, d_model, vocab):
super(Embeddings, self).__init__()
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)
7. Positional encoding位置编码
在处理完模型的各个模块后,开始关注数据的输入部分,在这里重点是位置编码。与CNN和RNN不同,Transformer模型对于序列没有编码,这就导致无法获取每个词之间的关系,也就是无法构成有意义的语句。
为了解决这个问题。论文提出了Positional encoding。核心就是对序列中的词语出现的位置进行编码。如果对位置进行编码,那么我们的模型就可以捕捉顺序信息。
论文使用正余弦函数实现位置编码。这样做的好处就是不仅可以获取词的绝对位置信息,还可以获取相对位置信息。
其中,pos是指词语在序列中的位置。可以看出,在偶数位置,使用正弦编码,在奇数位置,使用余弦编码。
相对位置信息通过以下公式实现
上面的公式说明,对于词汇之间的位置偏移k,可以表示成和的组合形式,这就是表达相对位置的能力。
class PositionalEncoding(nn.Module):
"Implement the PE function."
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)
def forward(self, x):
x = x + Variable(self.pe[:, :x.size(1)],
requires_grad=False)
return self.dropout(x)
网友评论