Masked_Filled随机置列为零

文章目录

[1. softmax](#1. softmax)
[2. python 方法](#2. python 方法)

1. softmax

在计算损失函数的时候，我们需要将我们填充为0的地方概率置为0，以免参与损失计算，我们一般会将需要置为0的位置上面通过masked_filled函数将为True的位置置为一个非常小的值1e-9，这样经过F.softmax函数后，其值为0。这里用到两个函数，

第一个是F.softmax，主要负责归一化处理，将值转换为0-1内，并且其和为1，转换成概率值。
第二个是Masked_fill 函数，可以通过提供一个同等大小的BOOL矩阵，将为True的地方，填充为自己喜欢的值。
第三个是填充的方式，在transformer中，我们把为0的位置的值填充为负无穷，这样经过为softmax后为零，但是transofrmer中填充的方式为在一个行向量中的末尾填充零，以行向量作为样本向量，列向量为特征向量，根据MIT麻神理工的思路，矩阵A以列向量表示更适合参数学习，所以我们希望通过随机掩码不同位置的列向量，这样通过学习样本的特征维来表示矩阵，所以我们引入一种列向量掩码方式。

2. python 方法

python 复制代码

import torch
import torch.nn as nn
import torch.nn.functional as F

torch.set_printoptions(precision=3, sci_mode=False)
torch.manual_seed(333512)

if __name__ == "__main__":
    run_code = 0
    row = 4
    column = 5
    scores = torch.randn(row, column)
    masked = torch.randint(0, 2, (1, column)).to(torch.bool)
    masked_scores = scores.masked_fill(masked, -1e9)
    scores_softmax = F.softmax(masked_scores, dim=-1)
    print(f"scores=\n{scores}")
    print(f"masked=\n{masked}")
    print(f"masked_scores=\n{masked_scores}")
    print(f"scores_softmax=\n{scores_softmax}")

结果：

python 复制代码

scores=
tensor([[-0.786,  1.136,  1.624,  0.417,  1.366],
        [-0.520, -0.127, -0.219, -0.489,  0.276],
        [-0.937, -0.734,  1.221, -0.305,  1.020],
        [ 2.252, -0.042, -1.098,  1.135, -0.075]])
masked=
tensor([[False,  True,  True, False,  True]])
masked_scores=
tensor([[    -0.786, -1000000000.000, -1000000000.000,      0.417, -1000000000.000],
        [    -0.520, -1000000000.000, -1000000000.000,     -0.489, -1000000000.000],
        [    -0.937, -1000000000.000, -1000000000.000,     -0.305, -1000000000.000],
        [     2.252, -1000000000.000, -1000000000.000,      1.135, -1000000000.000]])
scores_softmax=
tensor([[0.231, 0.000, 0.000, 0.769, 0.000],
        [0.492, 0.000, 0.000, 0.508, 0.000],
        [0.347, 0.000, 0.000, 0.653, 0.000],
        [0.754, 0.000, 0.000, 0.246, 0.000]])