【HuggingFace Transformers】BertIntermediate 和 BertPooler源码解析

BertIntermediate 和 BertPooler源码解析

[1. 介绍](#1. 介绍)
- [1.1 位置与功能](#1.1 位置与功能)
- [1.2 相似点与不同点](#1.2 相似点与不同点)
[2. 源码解析](#2. 源码解析)
- [2.1 BertIntermediate 源码解析](#2.1 BertIntermediate 源码解析)
- [2.2 BertPooler 源码解析](#2.2 BertPooler 源码解析)

1. 介绍

1.1 位置与功能

(1) BertIntermediate

位置：位于 BertLayer 的注意力层（BertSelfAttention ）和输出层（BertOutput）之间。
功能：它执行一个线性变换（通过全连接层）并跟随一个激活函数（通常是 ReLU），为后续层提供更高层次的特征表示。

(2) BertPooler

位置：位于整个 BertModel 的最后一层之后，直接处理经过编码的序列表示。
功能：从序列的第一个标记（即 $CLS$ 标记）提取特征，并通过一个线性变换和 Tanh 激活函数来生成一个全局表示，通常用于分类任务中的最终输出。

1.2 相似点与不同点

(1) 相似点

两者都涉及到线性变换，并且都通过激活函数来增强模型的表达能力。
都是 BERT 模型中的重要组成部分，从不同的角度和层次上处理输入数据。

(2) 不同点

应用层次：
BertIntermediate 作用于每个 Transformer 层，用于构建更深的层级特征。
BertPooler 只在模型的最后一层作用，用于提取全局特征。
功能目标：
BertIntermediate 增强中间层的非线性特征，助于后续的自注意力机制。
BertPooler 为分类或回归任务提供一个紧凑的全局特征表示。

2. 源码解析

源码地址：transformers/src/transformers/models/bert/modeling_bert.py

2.1 BertIntermediate 源码解析

python 复制代码

# -*- coding: utf-8 -*-
# @time: 2024/7/15 14:17
import torch

from torch import nn
from transformers.activations import ACT2FN


class BertIntermediate(nn.Module):
    def __init__(self, config):
        super().__init__()
        # 全连接层，将 hidden_size 映射到 intermediate_size
        self.dense = nn.Linear(config.hidden_size, config.intermediate_size)

        # 根据 config.hidden_act 定义激活函数
        if isinstance(config.hidden_act, str):
            self.intermediate_act_fn = ACT2FN[config.hidden_act]
        else:
            self.intermediate_act_fn = config.hidden_act

    def forward(self, hidden_states: torch.Tensor) -> torch.Tensor:
        hidden_states = self.dense(hidden_states)  # 线性变换
        hidden_states = self.intermediate_act_fn(hidden_states)  # 激活函数
        return hidden_states

2.2 BertPooler 源码解析

python 复制代码

# -*- coding: utf-8 -*-
# @time: 2024/7/19 11:41

import torch

from torch import nn


class BertPooler(nn.Module):
    def __init__(self, config):
        super().__init__()
        self.dense = nn.Linear(config.hidden_size, config.hidden_size)  # 全连接层，将 hidden_size 映射回 hidden_size
        self.activation = nn.Tanh()  # 激活函数为 Tanh 函数

    def forward(self, hidden_states: torch.Tensor) -> torch.Tensor:
        # We "pool" the model by simply taking the hidden state corresponding
        # to the first token.
        # 提取序列中的第一个 token，也就是 [CLS] 的 hidden state
        first_token_tensor = hidden_states[:, 0]
        pooled_output = self.dense(first_token_tensor)  # 线性变换
        pooled_output = self.activation(pooled_output)  # 激活函数
        return pooled_output