深度学习TR3周：Pytorch复现Transformer

🍨 本文为 🔗365天深度学习训练营中的学习记录博客
🍖 原作者： K同学啊

本周任务：

1.从整体上把握Transformer模型，明白它是个什么东西，可以干嘛

2.读懂Transformer的复现代码

一、Transformer与Seq2Seq+

Seq2Seq2

用于处理序列数据的模型架构，广泛应用于自然语言处理（NLP）任务，如机器翻译、文本摘要和对话系统等。
核心思想是将输入序列转换为输出序列。
问题：解码器从编码器接收的唯一信息是最后一个编码器隐藏状态，这是一种类似输入序列数字总结的向量表示。因此，对于较长的文本，如果我们仍希望解码器使用一个向量表示来输出译文，是不合理的。则如果想得到更优质的翻译结果，需要向解码器提供每个编码器时间步的向量表示，而不是只有一个向量表示。
如何向解码器提供每个编码器时间步的向量表示呢？------引入注意力机制

注意力机制

编码器和解码器之间的接口，为解码器提供每个编码器隐藏状态的信息。通过此设置，模型能有选择地侧重输入序列的有用部分，有助于模型有效地处理输入长句。
本质：通过为每个单词分配分值，注意力为不同单词分配不同的注意力。然后利用softmax对编码器隐藏状态进行加权求和，得到上下文向量（context vector）。
实现步骤：①准备隐藏状态 ②获取每个编码器隐藏状态分数 ③通过softmax层运行所有分数 ④通过softmax得分将每个编码器隐藏状态相乘 ⑤向量求和 ⑥将上下文向量输入解码器

通过学习Seq2Seq，知晓Attention对RNN的优点。

有没有一种神经网络结构直接基于attention构造，不依赖RNN、LSTM或CNN网络结构？

----Transformer

Seq2Seq和Transformer都是用于处理序列数据的深度学习模型，但它们是两种不同架构。

1.Seq2Seq

定义：一种用于序列到序列任务的模型架构，最初用于机器翻译。这意味着它可以处理输入序列，并生成相应的输出序列。

结构：通常由编码器和解码器两个主要部分组成。编码器负责将输入序列编码为固定大小的向量，而解码器则使用此向量生成输出序列。

问题：传统Seq2Seq模型在处理长序列时可能会遇到梯度消失/爆炸等问题，而Transformer模型的提出正是为了解决这些问题。

2.Transformer

定义：一种更现代的深度学习模型，专为处理序列数据而设计，最初用于自然语言处理任务。它不依赖于RNN或CNN等传统结构，而是引入注意力机制。

结构：主要由编码器和解码器组成，由自注意力层和全连接前馈网络组成。它使用注意力机制来捕捉输入序列中不同位置之间的依赖关系，同时通过多头注意力来提高模型的表达能力。

优势：能够更好地处理长距离依赖关系，同时具有更好的并行性，

在某种程度上，可以将Transformer看作是Seq2Seq的一种演变，Transformer可以执行Seq2Seq任务，并且相对于传统的Seq2Seq模型具有更好的性能和可扩展性。（论文原文：Attention Is All You Need）

与RNN这类神经网络结构相比，Transformer一个巨大的优点：模型在处理序列输入时，可以对整个序列输入进行并行计算，不需要按照时间步循环递归处理输入序列。

下图是Transformer整体结构图，与Seq2Seq模型相似，Transformer模型结构中，左半部分为编码器，右半部分为解码器。

二、Transformer宏观结构

Transformer可以看作seq2seq模型的一种。

从seq2seq角度对Transformer进行宏观结构学习，以机器翻译任务为例，先将Transformer看作一个黑盒，黑盒的输入是法语文本序列，输出是英语文本序列。

将上图中间部分"THE TRANSFOEMER"拆分成seq2seq标准结构，得到下图：左边是编码部分encoders，右边是解码部分decoders。

再将上图中的编码器和解码器细节绘出，得到下图。

可以看到，编码部分由多层编码器（encoder）组成，解码部分也由多层解码器（decoder）组成。每层解码器、解码器网络结构是一样的，但是不同层编码器、解码器网络结构不共享参数。

其中，单层编码器主要由自注意力层（Self-Attention Layer）和全连接前馈网络（Feed Forward Neural Network，FFNN）组成，如下图。

其中，解码器在编码器的自注意力层和全连接前馈网络中间插入了一个Encoder-Decoder Attention层，帮助解码器聚焦于输入序列最相关的部分。

三、复现Transformer

python 复制代码

import math
import torch
import torch.nn as nn
device = torch.device("cpu")
# device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)

输出结果：

1.shape变化类

python 复制代码

import torch.nn as nn
 
class Transpose(nn.Module):
    def init_(self,*dims, contiguous=False):
        super(Transpose,self).init_() #确保正确调用父类的构造函数
        self.dims=dims #存储交换的维度
        self.contiguous= contiguous #存储是否需要返回连续内存布局的标志
        
    def forward(self,x):
        #如果需要连续内存布局，调用.contiguous()方法来确保
        if self.contiguous:
            return x.transpose(*self.dims).contiguous()
        else:
            return x.transpose(*self.dims)

注：python没有指针概念

2.Scaled Dot-Product Attention

Scaled Dot-Product Attention 是Self-Attention的一个具体表现

python 复制代码

import torch.nn.functional as F
class ScaledDotProductAttention(nn.Module):
    def __init__ (self,d_k:int):
        super(ScaledDotProductAttention, self).__init__()#确保正确调用父类的构造函数
        
        #初始化函数，dk表示键/查询向量的维度
        self.d_k=d_k
        
    def forward(self,q,k,v,mask = None):
        
        #计算注意力机制的核心步骤
        #q:查询向量，k:键向量，v:值向量，mask:用于遮挡部分位置的掩码
        
        #计算查询和键的点积，得到相似度分数。这里的k在上层已经完成了转置
        scores =torch.matmul(q,k)#scores形状:[bs,n heads,d k,q len]
        
        #缩放分数，防止数值过大导致softmax梯度过小
        scores=scores/(self.d_k**0.5)
        
        #应用掩码(如果提供了掩码)，将被掩码位置的分数设为一个极小值
        if mask is not None:
            scores.masked_fill(mask,-1e9)
            
        #对分数应用softmax，得到注意力权重
        attn =F.softmax(scores,dim=-1)# attn形状:[bs,n heads, q len, q len]
        
        #根据注意力权重加权求和值向量
        context =torch.matmul(attn,v)# context形状:[bs,n heads, q len, d_v]
        
        return context

3.多头注意力机制

python 复制代码

class MultiHeadAttention(nn.Module):
    def __init__ (self,d_model,n_heads):
        """
        多头注意力机制的初始化函数
        参数:
        d_model:输入特征的维度
        n_heads:注意力头的数量
        d_k:每个头中键/查询向量的维度
        d_v:每个头中值向量的维度
        """
        super(MultiHeadAttention,self).__init__() #确保正确调用父类的构造函数
        
        assert d_model %n_heads ==0, f"d_model({d_model}) 必须被 n_heads({n_heads})整除"
        self.d_k= d_model//n_heads
        self.d_v= d_model//n_heads
        
        self.n_heads = n_heads
        #定义用于生成查询、键和值的线性层
        self.W_Q=nn.Linear(d_model,self.d_k*n_heads, bias=False)
        self.W_K=nn.Linear(d_model,self.d_k*n_heads, bias=False)
        self.W_V=nn.Linear(d_model,self.d_v*n_heads, bias=False)
        
        #用于将多头输出的拼接结果投影回输入特征维度的线性层
        self.W_0=nn.Linear(n_heads *self.d_v,d_model, bias=False)
 
        self.attention = ScaledDotProductAttention(self.d_k)
        
    def forward(self,Q,K,V,mask = None):
        
        #前向传播函数，计算多头注意力
        #0:查询向量，K:键向量，V:值向量，mask:用于遮挡部分位置的掩码
        
        bs =Q.size(0) #获取批量大小
        #将输入通过线性层生成多头的查询、键和值，并对其进行维度变换
        q_s = self.W_Q(Q).view(bs,-1,self.n_heads, self.d_k).transpose(1,2)  #q_s形状:[bs，n_heads,qlen,dk]
        k_s = self.W_K(K).view(bs, -1, self.n_heads, self.d_k).permute(0,2,3,1) # k_s形状: [bs,n_heads,dk,g_len]
        v_s= self.W_V(V).view(bs,-1,self.n_heads, self.d_v).transpose(1, 2) # v_s形状:[bs,n_heads,q_len,d_v]
        
        #计算缩放点积注意力
        context = self.attention(q_s, k_s, v_s, mask)
        
        #将多头的输出拼接起来，拼接后的形状:[bs，qlen，(n heads*dv)]
        context = context.transpose(1,2).contiguous().view(bs, -1, self.n_heads * self.d_v)
        
        #通过线性层映射回输入特征维度
        output =self.W_0(context) # output形状:[bs,g_len,d_model]
        return output

4.前馈传播

python 复制代码

class Feedforward(nn.Module):
    def __init__ (self,d_model,d_ff,dropout=0.1):
        super(Feedforward,self).__init__()#两层线性映射和激活函数ReLU
        self.linear1 =nn.Linear(d_model,d_ff)
        self.dropout = nn.Dropout(dropout)
        self.linear2 =nn.Linear(d_ff, d_model)
 
    def forward(self,x):
        x= torch.nn.functional.relu(self.linear1(x))
        x= self.dropout(x)
        x= self.linear2(x)
        return x

5.位置编码

python 复制代码

class PositionalEncoding(nn.Module):
    "实现位置编码"
    def __init__ (self,dmodel,dropout,max_len=5000):
        super(PositionalEncoding,self).__init__()
        self.dropout = nn.Dropout(p=dropout)
        
        #初始化Shape为(max len,d model)的PE(positional encoding)
        pe =torch.zeros(max_len,dmodel).to(device)
        
        #初始化一个tensor[[0，1，2，3，...]]
        position =torch.arange(0,max_len).unsqueeze(1)
        
        #这里就是sin和cos括号中的内容，通过e和1n进行了变换
        div_term = torch.exp(torch.arange(0,d_model,2)*-(math.log(10000.0)/ d_model))
        
        pe[:,0::2]=torch.sin(position*div_term)#计算PE(pos，2i)
        pe[:,1::2]=torch.cos(position*div_term)#计算PE(pos，2i+1)
        
        pe = pe.unsqueeze(0)#为了方便计算，在最外面在unsqueeze出一个batch
        #如果一个参数不参与梯度下降，但又希望保存model的时候将其保存下来#这个时候就可以用register buffer
        self.register_buffer("pe",pe)
        
    def forward(self,x):
        """
        x为embedding后的inputs，例如(1,7，128)，batch size为1,7个单词，单词维度为128
        """
        #将x和positional encoding相加。
        x=x+ self.pe[:,:x.size(1)].requires_grad_(False)
        return self.dropout(x)

6.编码层

python 复制代码

class EncoderLayer(nn.Module):
    def __init__ (self,d_model,n_heads, d_ff, dropout=0.1):
        super(EncoderLayer,self).__init__()
 
        #编码器层包含自注意力机制和前馈神经网络
        self.self_attn =MultiHeadAttention(d_model,n_heads)
        self.feedforward = Feedforward(d_model, d_ff, dropout)
        self.norm1= nn.LayerNorm(d_model)
        self.norm2= nn.LayerNorm(d_model)
        self.dropout = nn.Dropout(dropout)
 
    def forward(self,x,mask):
        #自注意力机制
        attn_output =self.self_attn(x,x,x,mask)
        x=x+ self.dropout(attn_output)
        x= self.norm1(x)
        
        #前馈神经网络
        ff_output = self.feedforward(x)
        x=x+ self.dropout(ff_output)
        x= self.norm2(x)
        return x

7.解码层

python 复制代码

class DecoderLayer(nn.Module):
    def __init__ (self,d_model,n_heads,d_ff, dropout=0.1):
        super(DecoderLayer,self).__init__()
        #解码器层包含自注意力机制、编码器-解码器注意力机制和前馈神经网络
        self.self_attn=MultiHeadAttention(d_model,n_heads)
        self.enc_attn=MultiHeadAttention(d_model,n_heads)
        self.feedforward =Feedforward(d_model,d_ff, dropout)
        self.norm1= nn.LayerNorm(d_model)
        self.norm2= nn.LayerNorm(d_model)
        self.norm3= nn.LayerNorm(d_model)
        self.dropout = nn.Dropout(dropout)
 
    def forward(self,x,enc_output, self_mask, context_mask):
        #自注意力机制
        attn_output=self.self_attn(x,x,x,self_mask)
        x=x+ self.dropout(attn_output)
        x= self.norm1(x)
        
        #编码器-解码器注意力机制
        attn_output = self.enc_attn(x,enc_output, enc_output, context_mask)
        x=x+ self.dropout(attn_output)
        x= self.norm2(x)
        
        #前馈神经网络
        ff_output = self.feedforward(x)
        x=x+ self.dropout(ff_output)
        x= self.norm3(x)
        return x

8.Transformer模型构建

python 复制代码

class Transformer(nn.Module):
    def __init__ (self, vocab_size, d_model, n_heads,n_encoder_layers, n_decoder_layers,d_ff, dropout=0.1):
        super(Transformer,self).__init__()
        # Transformer 模型包含词嵌入、位置编码、编码器和解码器
        self.embedding=nn.Embedding(vocab_size,d_model)
        self.positional_encoding= PositionalEncoding(d_model, dropout)
        
        self.encoder_layers = nn.ModuleList([EncoderLayer(d_model,n_heads,d_ff, dropout) for _ in range(n_encoder_layers)])
        self.decoder_layers = nn.ModuleList([DecoderLayer(d_model,n_heads, d_ff, dropout) for _ in range(n_decoder_layers)])                                                        
        self.fc_out = nn.Linear(d_model,vocab_size)
        self.dropout = nn.Dropout(dropout)
 
    def forward(self,src,trg,src_mask, trg_mask):
        #词嵌入和位置编码
        src=self.embedding(src)
        src=self.positional_encoding(src)
        trg= self.embedding(trg)
        trg=self.positional_encoding(trg)
        
        #编码器
        for layer in self.encoder_layers :
            src=layer(src,src_mask)
            
        # 解码器
        for layer in self.decoder_layers:
            trg =layer(trg,src,trg_mask,src_mask)
            
        #输出层
        output = self.fc_out(trg)
        
        return output

9.输出模型结构

python 复制代码

#使用示例
vocab_size =10000 #假设词汇表大小为10000
d_model=512
n_heads=8
n_encoder_layers=6
n_decoder_layers=6
d_ff = 2048
dropout =0.1
 
transformer_model = Transformer(vocab_size, d_model, n_heads, n_encoder_layers, n_decoder_layers, d_ff, dropout)
 
#定义输入，这里的输入是假设的，需要根据实际情况修改
src=torch.randint(0,vocab_size,(32,10)) #源语言句子
trg=torch.randint(0,vocab_size,(32,20)) #目标语言句子#掩码，用于屏蔽填充的位置
src_mask=(src !=0).unsqueeze(1).unsqueeze(2)
trg_mask =(trg !=0).unsqueeze(1).unsqueeze(2) #掩码，用于屏蔽填充的位置
 
print("实际|输入数据维度:",src.shape)
print("预期|输出数据维度:",trg.shape)
output =transformer_model(src,trg,src_mask,trg_mask)
print("实际|输出数据维度:",output.shape)

输出结果：

四、总结

Transformer要比RNN、CNN这种传统网络难懂很多，学起来压力很大，但自己论文也是与此相关，需要不断地看和理解。整个框架逻辑比较清晰，但具体的细节还需要再研究。Transformer模型主要由编码器和解码器组成，它们由自注意力层和全连接前馈网络组成。它使用注意力机制来捕捉输入序列中不同位置之间的依赖关系，同时通过多头注意力来提高模型的表达能力。