Transformery s enkodérem a dekodérem

Transformer Models with PyTorch

James Chapman

Curriculum Manager, DataCamp

Enkodér a dekodér

Původní architektura transformeru

Enkodér a dekodér

Enkodér a dekodér dohromady

Mechanismus křížové pozornosti

Informace zpracované v dekodéru
Finální skryté stavy z bloku enkodéru

Příklad křížové pozornosti

Dekodér s křížovou pozorností

Úprava DecoderLayer

Informace zpracované v dekodéru
Finální skryté stavy z bloku enkodéru

x: tok informací dekodéru, stává se dotazem křížové pozornosti
y: výstup enkodéru, stává se klíčem a hodnotami křížové pozornosti

class DecoderLayer(nn.Module):
    def __init__(self, d_model, num_heads, d_ff, dropout):
        super().__init__()
        self.self_attn = MultiHeadAttention(
                          d_model, num_heads)
        self.cross_attn = MultiHeadAttention(
                          d_model, num_heads)
        ...


    def forward(self, x, y, tgt_mask, cross_mask):
        self_attn_output = self.self_attn(x, x, x,             
                                          tgt_mask)
        x = self.norm1(x + self.dropout(self_attn_output))

        cross_attn_output = self.cross_attn(x, y, y,     
                                            cross_mask)
        x = self.norm2(x + self.dropout(cross_attn_output))
        ...

Úprava DecoderTransformeru

Pouze dekodér

class TransformerDecoder(nn.Module):
...
def forward(self, x, tgt_mask):
    x = self.embedding(x)
    x = self.positional_encoding(x)
    for layer in self.layers:
        x = layer(x, tgt_mask)
    x = self.fc(x)
    return F.log_softmax(x, dim=-1)

Enkodér–dekodér

class TransformerDecoder(nn.Module):
...

def forward(self, x, y, tgt_mask, cross_mask):
    x = self.embedding(x)
    x = self.positional_encoding(x)
    for layer in self.layers:
        x = layer(x, y, tgt_mask, cross_mask)
    x = self.fc(x)
    return F.log_softmax(x, dim=-1)

Enkodér a dekodér

Enkodér a dekodér dohromady

Transformerová hlava

Příklad výstupů pro překlad

jugar (hrát): 0.03
viajar (cestovat): 0.96
dormir (spát): 0.01

Pro jiné úlohy mohou být nutné jiné aktivační funkce

Dekodér s transformerovou hlavou

Vše dohromady!

Celkový transformer s enkodérem a dekodérem

Vše dohromady!

class InputEmbeddings(nn.Module):
  ...  
class PositionalEncoding(nn.Module):
  ...  
class MultiHeadAttention(nn.Module):
  ...
class FeedForwardSubLayer(nn.Module):
  ...  
class EncoderLayer(nn.Module):
  ...
class DecoderLayer(nn.Module):
  ...

class TransformerEncoder(nn.Module):
  ...
class TransformerDecoder(nn.Module):
  ...
class ClassificationHead(nn.Module):
  ...

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


        self.encoder = TransformerEncoder(vocab_size, 
            d_model, num_heads, num_layers,
            d_ff, dropout, max_seq_len)
        self.decoder = TransformerDecoder(vocab_size, 
            d_model, num_heads, num_layers,
            d_ff, dropout, max_seq_len)


    def forward(self, x, src_mask, tgt_mask, cross_mask):
        encoder_output = self.encoder(x, src_mask)
        decoder_output = self.decoder(x, encoder_output,
                                      tgt_mask, cross_mask)
        return decoder_output

Pojďme cvičit!

Transformer Models with PyTorch