美文网首页Machine Learning & Recommendation & NLP & DLNLP&NLU
自然语言处理N天-使用Pytorch实现Transformer第

自然语言处理N天-使用Pytorch实现Transformer第

作者: 我的昵称违规了 | 来源:发表于2019-03-18 01:09 被阅读31次
    新建 Microsoft PowerPoint 演示文稿 (2).jpg

    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
    F(x)+x
    LN(x_i)=\alpha\times\frac{x_i-u_L}{\sqrt{\sigma_L^2+\epsilon}}+\beta
    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\frac{1}{\sqrt{d_k}}的缩放。

    image.png
    具体实现
    • input是维度为d_kQuery和Key,维度为d_vValue
    • 计算Query和Key的点积
    • \frac{1}{\sqrt{d_k}}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, d_k=d_v=\frac{d_model}{h}=64
    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:

    1. 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。
    2. 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。
    3. 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。
    \mathrm{FFN}(x)=\max(0, xW_1 + b_1) W_2 + b_2

    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d_model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。
    PE(pos,2i) = sin(pos/10000^{2i/d_{model}})
    PE(pos,2i+1) = cos(pos/10000^{2i/d_{model}})
    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
    sin(\alpha+\beta) = sin\alpha cos\beta + cos\alpha sin\beta
    cos(\alpha+\beta) = cos\alpha cos\beta - sin\alpha sin\beta
    上面的公式说明,对于词汇之间的位置偏移k,PE(pos+k)可以表示成PE(pos)PE(k)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)
    

    相关文章

      网友评论

        本文标题:自然语言处理N天-使用Pytorch实现Transformer第

        本文链接:https://www.haomeiwen.com/subject/lcrmmqtx.html