事业单位招聘,自然语言处理N天-运用Pytorch完成Transformer01,医妃权倾天下

admin 6个月前 ( 03-30 13:52 ) 0条评论
摘要: 再梳理一下Transformer模型的重点,最后用Pytorch实现。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。...

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……)。

这次是根据Transformer 模型的 PyTorch 完结进行学习,再整理一下Transformer模型的要点,最后用Pytorch完结。

原本想用AllenNLP一步到位,可是前天敲了一天发现不可,我对Pytorch不明白,一起仍是不了AllenNLP,爽性从头再来。

在这里参阅The Annotated Transformer进行完结

1. 引进必要的库

import numpy as np
import torch
import torch.nn as nn
import torch.nn.functional as F
import math, copy, time
from torch.au睡睡瘦瘦身产品tograd import Variable
import matplotlib.pyplot as plt
import seaborn
# Seaborn作为一个带着定制主题和高档莫家嘉界面操控燏怎样读的Matplotlib扩展包,付丽娟能让绘图变得更轻松.
seaborn.set_context(context="talk")

2. 首要是Encoder-Decoder结构。

  • encoder将运用符号表明的输入inputs序列,映射到一个接连表明的序列Z。
  • decoder一次一个元素地生成符号输出序列Y。
  • 在每一步模型均为主动回归(auto-regressive),即在生成下一个符号时将从前生成的符号作为附加输入。
class EncoderDecoder(nn.Module):
'''
构建一个规范的Encoder-Decoder架构
能够发现里边的e事业单位招聘,自然语言处理N天-运用Pytorch完结Transformer01,医妃权倾天下ncode和decode处理的不同,在前面说过,decoder比enc事业单位招聘,自然语言处理N天-运用Pytorch完结Transformer01,医妃权倾天下oder妈妈和女儿多了一个context attention。
'''
def __init__(self,camran encoder, decoder, src_embed, tgt_embed, generator):
super(EncoderDecoder, self).快帆电脑版__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 sel事业单位招聘,自然语言处理N天-运用Pytorch完结Transformer01,医妃权倾天下f.encoder(self.tgt_embed(src), src_mask)
def decode(self, memory, src_mask, tgt, tgt_mask):
return self.decod事业单位招聘,自然语言处理N天-运用Pytorch完结Transformer01,医妃权倾天下er(self.tgt_embed(tgt), memory, src_mask, tgt_mask)
def forward(self, src, tgt, src_mask, tgt_mas蒋梦佳k):
return self.decode(self.encode(src, src_mask), src_mask, tgt, tgt_mask)事业单位招聘,自然语言处理N天-运用Pytorch完结Transformer01,医妃权倾天下
class Generator(nn.Module):
'''
界说规范的线性+softmax生成过程
这是在8. Embeddings和Softmax中
'''
def __init__(self, d_model, vocab事业单位招聘,自然语言处理N天-运用Pytorch完结Transformer01,医妃权倾天下):
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(s虎尾轮的成效与效果tack)

在模型中Encoder和Decoder都是由六个相同的层构建出来的堆。

在这里先完结这两个堆

3.1 首要构建Encoder堆

留意在堆中每一层都要进行残差衔接和层归一Layer-Normalization

上一雯心草节中说了残差衔接和层归一的算法,咱们看怎么完结

F(x)+x

LN(x_i)=\alpha\times\frac{x_i-u_L}{\sqrt{\sigma_L^2+\epsilon}}+\beta

咱们在每两个block之间都运用了残差衔接(Residual Connection)和层归一。

完结的次序是:

(1) 完结最上层,6层layer的构建,经过clones仿制每一个层,完结层归一,

(2) 完结block的残差衔接

(3) 完结每一层中的两个block的multi-heads self-attention和前馈网络

def clones(module沈文裕被父亲毁了, N):
return nn.ModuleList([copy.deepcopy(module) for _ in range(事业单位招聘,自然语言处理N天-运用Pytorch完结Transformer01,医妃权倾天下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):
'''
中心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))。

其间Sublayer(x)是由block主动完结,每个子层输出上运用Dropout,再送入下一个block,并进行tolomatic归一化。

class SublayerConnection(nn.Module):
def __init__(self, size, dropout):
super(SublayerConn万界造化珠ection, self).__init__()
self.norm = LayerNorm(size)
self.dropout = nn.Dropout(dropout)
def forward(self, x, sublayer):
'''
将残差衔接以相同的size到恣意一个子层
:param x:
:param sublayer:
:return:
'''
return x + self.dropout(sublayer(self.norm(x)))

Encoder的每一层有两个block(教程中运用子层来称号)

第一个block是multi-heads self-attention

第二个block是一个简略的前馈网络

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

留意在Decoder堆中每一层都要进行残差衔接和层归一Layer-Normalization

Decoder堆区别是在于多了一个multi-heads context-attention用于处理和Encoder的衔接。

咱们在每两个block之间都运用了残差衔接(Residual Connection)和层归一。

完结的次序是:

(1) 完结最上层,6层layer的构建,经过clones仿制每一个层,完结层归一

(2) 完结block的残差衔接

(3) 完结每一层中的两个block的multi-heads self-attention和前馈网络

和encoder相同,仿制6层,仅仅在每一层中比encoder多了memory。

class Decode元宝垫r(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Enz207coderLayer相似,仅仅EncoderLayer的mask在这里变成了src_mask和tgt_mask,一起增加了memory。

可是这部分的sublayer没有看懂,为什么会有三个?仿制了3个layer。

第一个用于寄存self-attention,第二个用于寄存src_attention(看情形里边的是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,安卡米童装 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)

修正Decoder的self-attention部分,避免当时方位影gayvi响后续方位,便是用mask处理attention,这种mask处理,与他趣电脑版输入输出嵌入偏移一个方位相结合,保证方位的猜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军中铁脊柱)[0])
plt.show()
文章版权及转载声明:

作者:admin本文地址:http://www.5188wz.cn/articles/602.html发布于 6个月前 ( 03-30 13:52 )
文章转载或复制请以超链接形式并注明出处竞技宝官网iOS版_竞技宝app苹果ios下载_竞技宝iOS