Encoder transformery

Transformer Models with PyTorch

James Chapman

Curriculum Manager, DataCamp

Původní transformer

Architektura transformeru z akademické práce Attention Is All You Need.

Původní transformer

Původní architektura transformeru

Encoder-only transformery

Architektura encoder-only transformeru

Tělo transformeru: zásobník encoderů s N encoder vrstvami

Encoder vrstva

Multi-head self-attention

Dopředné (pod)vrstvy

Normalizace vrstev, dropout

Hlava transformeru

Encoder-only transformery

Architektura encoder-only transformeru

Tělo transformeru: zásobník encoderů s N encoder vrstvami

Encoder vrstva

Multi-head self-attention

Dopředné (pod)vrstvy

Normalizace vrstev, dropout

Hlava transformeru: zpracovává zakódované vstupy pro výstupní predikci

Supervizovaná úloha: klasifikace, regrese

Dopředná podvrstva v encoder vrstvách

Dopředná podvrstva po 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 plně propojená vrstva + aktivace ReLU

d_ff: dimenze mezi lineárními vrstvami
forward(): zpracovává výstupy attention pro zachycení složitých nelineárních vzorců

Encoder vrstva

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 vrstva

Multi-head self-attention
Dopředná podvrstva
Normalizace vrstev a dropout

forward():

mask zabraňuje zpracování padding tokenů

Maskování procesu attention

Doplňování sekvencí paddingem

Padding maska v self-attention

Tělo encoder transformeru

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

Hlava encoder transformeru

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)

Klasifikační hlava

Úlohy: klasifikace textu, analýza sentimentu, NER, extraktivní QA atd.
fc: plně propojená lineární vrstva
- Převádí skryté stavy encoderu na pravděpodobnosti num_classes tříd

Regresní hlava

Úlohy: odhad čitelnosti textu, jazykové složitosti atd.
- output_dim je 1 při predikci jedné číselné hodnoty

Pojďme si procvičit!

Transformer Models with PyTorch