Transformers codificadores

Modelos Transformer com PyTorch

James Chapman

Curriculum Manager, DataCamp

O transformer original

A arquitetura de transformers como mostrada no artigo acadêmico "Attention Is All You Need".

O transformer original

Arquitetura original do transformer

Transformers somente com encoder

Arquitetura de transformer somente com encoder

Corpo do transformer: pilha com N camadas de encoder

Camada de encoder

Self-attention multihead

(Sub)camadas feed-forward

Normalizações de camada, dropouts

Cabeça do transformer

Transformers somente com encoder

Arquitetura de transformer somente com encoder

Corpo do transformer: pilha com N camadas de encoder

Camada de encoder

Self-attention multihead

(Sub)camadas feed-forward

Normalizações de camada, dropouts

Cabeça do transformer: processa entradas codificadas para gerar a predição

Tarefa supervisionada: classificação, regressão

Sublayer feed-forward nas camadas do encoder

Sublayer feed-forward após a atenção

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 totalmente conectada + ativação ReLU

d_ff: dimensão entre as camadas lineares
forward(): processa saídas da atenção para capturar padrões não lineares complexos

Camada de encoder

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

Camada de encoder

Self-attention multihead
Sublayer feed-forward
Normalizações de camada e dropouts

forward():

mask evita processar tokens de padding

Mascarando o processo de atenção

Preenchendo sequências (padding)

Máscara de padding em self-attention

Corpo do transformer (encoder)

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

Cabeça do transformer (encoder)

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)

Cabeça de classificação

Tarefas: classificação de texto, análise de sentimento, NER, QA extrativa etc.
fc: camada linear totalmente conectada
- Transforma estados ocultos do encoder em probabilidades de num_classes

Cabeça de regressão

Tarefas: estimar legibilidade do texto, complexidade da linguagem etc.
- output_dim é 1 ao prever um único valor numérico

Vamos praticar!

Modelos Transformer com PyTorch