Encoder-transformers

Transformermodeller med PyTorch

James Chapman

Curriculum Manager, DataCamp

Den ursprungliga transformern

Transformerarkitekturen som visas i den akademiska artikeln Attention Is All You Need.

Den ursprungliga transformern

Ursprunglig transformerarkitektur

Encoder-only-transformers

Encoder-only-transformerarkitektur

Transformer-kropp: encoderstapel med N encoderlager

Encoderlager

Multi-head self-attention

Feed-forward-(del)lager

Lagernormaliseringar, dropouts

Transformer-huvud

Encoder-only-transformers

Encoder-only-transformerarkitektur

Transformer-kropp: encoderstapel med N encoderlager

Encoderlager

Multi-head self-attention

Feed-forward-(del)lager

Lagernormaliseringar, dropouts

Transformer-huvud: bearbetar kodade indata för att producera en utdatapredikition

Övervakad uppgift: klassificering, regression

Feed-forward-dellager i encoderlager

Feed-forward-dellager efter 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 fullt anslutet + ReLU-aktivering

d_ff: dimension mellan de linjära lagren
forward(): bearbetar attention-utdata för att fånga komplexa, icke-linjära mönster

Encoderlager

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

Encoderlager

Multi-head self-attention
Feed-forward-dellager
Lagernormaliseringar och dropouts

forward():

mask förhindrar bearbetning av utfyllnadstokens

Maskering av attention-processen

Utfyllnad av sekvenser

Utfyllnadsmask i self-attention

Encoder-transformer-kropp

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-huvud

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)

Klassificeringshuvud

Uppgifter: textklassificering, sentimentanalys, NER, extraktiv QA m.m.
fc: fullt anslutet linjärt lager
- Omvandlar encoderns dolda tillstånd till num_classes klassprobabiliteter

Regressionshuvud

Uppgifter: uppskatta läsbarhet, språklig komplexitet m.m.
- output_dim är 1 vid prediktion av ett enskilt numeriskt värde

Nu kör vi en övning!

Transformermodeller med PyTorch