Transformery kodujące

Modele Transformer w PyTorch

James Chapman

Curriculum Manager, DataCamp

Oryginalny transformer

Architektura transformera z artykułu naukowego „Attention Is All You Need".

Oryginalny transformer

Oryginalna architektura transformera

Transformery tylko z koderem

Architektura transformera tylko z koderem

Trzon transformera: stos koderów złożony z N warstw

Warstwa kodera

Wielogłowicowa samouwaga

Podwarstwy feed-forward

Normalizacje warstw, dropout

Głowica transformera

Transformery tylko z koderem

Architektura transformera tylko z koderem

Trzon transformera: stos koderów złożony z N warstw

Warstwa kodera

Wielogłowicowa samouwaga

Podwarstwy feed-forward

Normalizacje warstw, dropout

Głowica transformera: przetwarza zakodowane dane wejściowe, by wygenerować predykcję

Zadanie nadzorowane: klasyfikacja, regresja

Podwarstwa feed-forward w warstwach kodera

Podwarstwa feed-forward po warstwie uwagi

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 w pełni połączone + aktywacja ReLU

d_ff: wymiar między warstwami liniowymi
forward(): przetwarza wyjścia uwagi, wychwytując złożone wzorce nieliniowe

Warstwa kodera

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

Warstwa kodera

Wielogłowicowa samouwaga
Podwarstwa feed-forward
Normalizacje warstw i dropout

forward():

mask zapobiega przetwarzaniu tokenów dopełnienia

Maskowanie procesu uwagi

Dopełnianie sekwencji

Maska dopełnienia w samouwadze

Trzon transformera kodującego

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

Głowica transformera kodującego

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)

Głowica klasyfikacyjna

Zadania: klasyfikacja tekstu, analiza sentymentu, NER, ekstrakcyjne QA itp.
fc: w pełni połączona warstwa liniowa
- Przekształca ukryte stany kodera na num_classes prawdopodobieństw klas

Głowica regresyjna

Zadania: ocena czytelności tekstu, złożoności językowej itp.
- output_dim wynosi 1 przy przewidywaniu pojedynczej wartości numerycznej

Czas na ćwiczenia!

Modele Transformer w PyTorch