Transformer 大语言模型（LLM）基石 - 输出层（Output Layer）详解以及算法实现

锋哥原创的Transformer 大语言模型（LLM）基石视频教程：

https://www.bilibili.com/video/BV1X92pBqEhV

课程介绍

本课程主要讲解Transformer简介，Transformer架构介绍，Transformer架构详解，包括输入层，位置编码，多头注意力机制，前馈神经网络，编码器层，解码器层，输出层，以及Transformer Pytorch2内置实现，Transformer基于PyTorch2手写实现等知识。

Transformer 大语言模型（LLM）基石 - 输出层（Output Layer）详解以及算法实现

解码器的最终输出会传递给输出层，通常是一个全连接层，它将解码器的输出映射到目标词汇表的维度，生成每个时间步的预测词汇。

功能：生成序列的预测输出，例如在翻译任务中，输出为目标语言的词汇。
结构：这个层的输出维度为 $batch_size, seq_len, vocab_size$ ，表示每个词的位置的输出分布。

在输出层的最后，通常会使用Softmax函数来将模型的输出转换为概率分布，然后选择概率最高的词作为模型的预测输出。

功能：根据输出分布生成最终的预测结果。
结构：Softmax将每个位置的输出转换为一个概率分布，并选择概率最高的词作为最终的输出。

代码实现：

复制代码

# 输出层
class OutputLayer(nn.Module):

    def __init__(self, d_model, vocab_size):
        super().__init__()
        self.d_model = d_model  # 词嵌入维度大小
        self.vocab_size = vocab_size  # 词表大小
        self.linear = nn.Linear(d_model, vocab_size)  # 线性层

    def forward(self, x):
        """
        前向传播
        对输入x通过线性层变换后，应用log_softmax函数处理，最后返回处理结果。具体来说：
        self.linear(x) - 将输入x通过线性变换
        F.log_softmax() - 对线性变换结果应用对数softmax操作
        dim=-1 - 指定在最后一个维度上进行softmax计算
        :param x: 输入张量 [batch_size, seq_len, d_model]
        :return: 输出张量 [batch_size, seq_len, vocab_size]
        """
        return F.log_softmax(self.linear(x), dim=-1)  # 对输出张量进行softmax


# 测试输出层
def test_output_layer():
    decoder_result = test_decoder()
    # 实例化输出层对象
    output_layer = OutputLayer(d_model=512, vocab_size=2000)
    output_result = output_layer(decoder_result)
    print('output_result.shape:', output_result.shape)


if __name__ == '__main__':
    # test_encoder()
    # test_decoder()
    test_output_layer()

运行输出：