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

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()