Encoder transformers

Transformer Models ด้วย PyTorch

James Chapman

Curriculum Manager, DataCamp

Transformer ดั้งเดิม

สถาปัตยกรรม transformer ตามที่ปรากฏในบทความวิชาการ Attention Is All You Need

Transformer ดั้งเดิม

สถาปัตยกรรม transformer ดั้งเดิม

Encoder-only transformers

สถาปัตยกรรม encoder-only transformer

Transformer body: ชุด encoder ที่มี N encoder layer

Encoder layer

Multi-head self-attention

Feed-forward (sub)layers

Layer normalizations, dropouts

Transformer head

Encoder-only transformers

สถาปัตยกรรม encoder-only transformer

Transformer body: ชุด encoder ที่มี N encoder layer

Encoder layer

Multi-head self-attention

Feed-forward (sub)layers

Layer normalizations, dropouts

Transformer head: ประมวลผล input ที่ผ่าน encoder เพื่อสร้างผลลัพธ์การทำนาย

Supervised task: classification, regression

Feed-forward sublayer ใน encoder layer

Feed-forward sublayer หลัง 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 fully connected + ReLU activation

d_ff: มิติระหว่าง linear layer
forward(): ประมวลผล attention output เพื่อจับรูปแบบที่ซับซ้อนและไม่เป็นเชิงเส้น

Encoder layer

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 layer

Multi-headed self-attention
Feed-forward sublayer
Layer normalizations และ dropouts

forward():

mask ป้องกันการประมวลผล padding token

การ masking กระบวนการ attention

การเติม padding ใน sequence

Padding mask ใน self-attention

Transformer body ฝั่ง encoder

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

Transformer head ฝั่ง encoder

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)

Classification head

งาน: text classification, sentiment analysis, NER, extractive QA ฯลฯ
fc: fully connected linear layer
- แปลง hidden state ของ encoder เป็นความน่าจะเป็นของ num_classes คลาส

Regression head

งาน: ประมาณค่า text readability, ความซับซ้อนทางภาษา ฯลฯ
- output_dim เป็น 1 เมื่อทำนายค่าตัวเลขเดียว

มาฝึกกันเถอะ!

Transformer Models ด้วย PyTorch