Encoder-Transformer

Transformer-Modelle mit PyTorch

James Chapman

Curriculum Manager, DataCamp

Der ursprüngliche Transformer

Die Transformer-Architektur aus dem Paper „Attention Is All You Need".

Der ursprüngliche Transformer

Ursprüngliche Transformer-Architektur

Nur-Encoder-Transformer

Nur-Encoder-Transformer-Architektur

Transformer-Body: Encoder-Stack mit N Encoder-Schichten

Encoder-Schicht

Multi-Head Self-Attention

Feedforward-(Sub)schichten

Layer Normalization, Dropout

Transformer-Head

Nur-Encoder-Transformer

Nur-Encoder-Transformer-Architektur

Transformer-Body: Encoder-Stack mit N Encoder-Schichten

Encoder-Schicht

Multi-Head Self-Attention

Feedforward-(Sub)schichten

Layer Normalization, Dropout

Transformer-Head: verarbeitet encodierte Eingaben zu einer Ausgabevorhersage

Überwachtes Lernen: Klassifikation, Regression

Feedforward-Subschicht in Encoder-Schichten

Feedforward-Subschicht nach Attention

class FeedForwardSubLayer(nn.Module):
    def __init__(self, d_model, d_ff):
        super().__init__()
        self.fc1 = nn.Linear(d_model, d_ff)
        self.fc2 = nn.Linear(d_ff, d_model)
        self.relu = nn.ReLU()


    def forward(self, x):
        return self.fc2(self.relu(self.fc1(x)))

2 x Fully Connected + ReLU-Aktivierung

d_ff: Dimension zwischen linearen Schichten
forward(): verarbeitet Attention-Ausgaben, um komplexe, nichtlineare Muster zu erfassen

Encoder-Schicht

class EncoderLayer(nn.Module):
    def __init__(self, d_model, num_heads, d_ff, dropout):
        super().__init__()
        self.self_attn = MultiHeadAttention(d_model, num_heads)
        self.ff_sublayer = FeedForwardSubLayer(d_model, d_ff)

        self.norm1 = nn.LayerNorm(d_model)
        self.norm2 = nn.LayerNorm(d_model)
        self.dropout = nn.Dropout(dropout)


    def forward(self, x, src_mask):
        attn_output = self.self_attn(x, x, x, src_mask)
        x = self.norm1(x + self.dropout(attn_output))
        ff_output = self.ff_sublayer(x)
        x = self.norm2(x + self.dropout(ff_output))
        return x

Encoder-Schicht

Multi-Headed Self-Attention
Feedforward-Subschicht
Layer Normalization und Dropout

forward():

mask verhindert die Verarbeitung von Padding-Token

Maskierung im Attention-Prozess

Sequenzen mit Padding

Padding-Maske in Self-Attention

Encoder-Transformer-Body

class TransformerEncoder(nn.Module):
    def __init__(self, vocab_size, d_model, num_layers, num_heads, d_ff, dropout, max_seq_length):
        super().__init__()

        self.embedding = InputEmbeddings(vocab_size, d_model)

        self.positional_encoding = PositionalEncoding(d_model, max_seq_length)

        self.layers = nn.ModuleList(
          [EncoderLayer(d_model, num_heads, d_ff, dropout) for _ in range(num_layers)]
        )


    def forward(self, x, src_mask):
        x = self.embedding(x)
        x = self.positional_encoding(x)
        for layer in self.layers:
            x = layer(x, src_mask)
        return x

Encoder-Transformer-Head

class ClassifierHead(nn.Module):
    def __init__(self, d_model, num_classes):
        super().__init__()
        self.fc = nn.Linear(d_model, num_classes)

    def forward(self, x):
        logits = self.fc(x)
        return F.log_softmax(logits, dim=-1)

class RegressionHead(nn.Module):
    def __init__(self, d_model, output_dim):
        super().__init__()
        self.fc = nn.Linear(d_model, output_dim)

    def forward(self, x):
        return self.fc(x)

Classification Head

Aufgaben: Textklassifikation, Sentiment-Analyse, NER, extraktive QA usw.
fc: vollständig verbundene lineare Schicht
- Transformiert Encoder-Hidden-States in num_classes Klassenwahrscheinlichkeiten

Regression Head

Aufgaben: Lesbarkeit von Text, Sprachkomplexität usw. schätzen
- output_dim ist 1, wenn ein einzelner Zahlenwert vorhergesagt wird

Lass uns üben!

Transformer-Modelle mit PyTorch