Трансформери-енкодери

Моделі Transformer з PyTorch

James Chapman

Curriculum Manager, DataCamp

Оригінальний трансформер

Архітектура transformers з наукової статті Attention Is All You Need.

Оригінальний трансформер

Оригінальна архітектура трансформера

Трансформери лише з енкодером

Архітектура трансформера лише з енкодером

Тіло трансформера: стек з N шарів енкодера

Шар енкодера

Багатоголова самоувага

Пряме поширення (під)шари

Нормалізації шару, дропаути

Голова трансформера

Трансформери лише з енкодером

Архітектура трансформера лише з енкодером

Тіло трансформера: стек з N шарів енкодера

Шар енкодера

Багатоголова самоувага

Пряме поширення (під)шари

Нормалізації шару, дропаути

Голова трансформера: обробляє закодовані входи для отримання прогнозу

Кероване навчання: класифікація, регресія

Підшар прямого поширення в шарах енкодера

Підшар прямого поширення після уваги

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 × повнозвʼязні + активація ReLU

d_ff: розмірність між лінійними шарами
forward(): обробляє виходи уваги, щоб вловити складні, нелінійні патерни

Шар енкодера

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

Шар енкодера

Багатоголова самоувага
Підшар прямого поширення
Нормалізації шару та дропаути

forward():

mask не дає обробляти заповнювальні токени

Маскування процесу уваги

Доповнення послідовностей (padding)

Паддінг-маска в самоувазі

Тіло трансформера-енкодера

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

Голова трансформера-енкодера

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)

Голова класифікації

Завдання: класифікація текстів, аналіз тональності, NER, екстрактивне QA тощо
fc: повнозвʼязний лінійний шар
- Перетворює приховані стани енкодера на ймовірності num_classes класів

Голова регресії

Завдання: оцінка читабельності тексту, складності мови тощо
- output_dim дорівнює 1, коли прогнозується одне числове значення

Давайте потренуємось!

Моделі Transformer з PyTorch