你的位置:人妖 > 偷拍自拍视频 >


沈先生 探花 推论教程|从零动手用pytorch搭建Transformer模子

发布日期:2024-10-21 10:50    点击次数:185


沈先生 探花 推论教程|从零动手用pytorch搭建Transformer模子

图片沈先生 探花

作家丨梁云1991开首丨算法好意思食屋裁剪丨极市平台

极市导读

 

超防卫易懂的Transformer初学教程。 >>加入极市CV本事交流群,走在经营机视觉的最前沿

前哨干货预警:这可能是你大约找到的最容易懂的最具实操性的最系统的学习transformer模子的初学教程。咱们从零动手用pytorch搭建Transformer模子(汉文不错翻译成变形金刚)。

磨真金不怕火它来终了一个道理道理的实例:两数之和。

输入输出近似如下:

输入:'12345+54321' 输出:'66666'

咱们把这个任务手脚念一个机器翻译任务来进行。输入是一个字符序列,输出亦然一个字符序列(seq-to-seq).

这和机器翻译的输入输出结构是近似的,是以不错用Transformer来作念。

参考良友:

论文《Attention is All you needed》: https://arxiv.org/pdf/1706.03762.pdf

哈佛博客:https://github.com/harvardnlp/annotated-transformer/

一,准备数据import random    import numpy as np  import torch  from torch.utils.data import Dataset,DataLoader    # 界说字典  words_x = '<PAD>,1,2,3,4,5,6,7,8,9,0,<SOS>,<EOS>,+'  vocab_x = {word: i for i, word in enumerate(words_x.split(','))}  vocab_xr = [k for k, v in vocab_x.items()] #反查辞书    words_y = '<PAD>,1,2,3,4,5,6,7,8,9,0,<SOS>,<EOS>'  vocab_y = {word: i for i, word in enumerate(words_y.split(','))}  vocab_yr = [k for k, v in vocab_y.items()] #反查辞书  
#两数相加数据集  def get_data():      # 界说词集聚      words = ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9']        # 每个词被选中的概率      p = np.array([7, 5, 5, 7, 6, 5, 7, 6, 5, 7])      p = p / p.sum()        # 立时采样n1个词作为s1      n1 = random.randint(10, 20)      s1 = np.random.choice(words, size=n1, replace=True, p=p)      s1 = s1.tolist()        # 立时采样n2个词作为s2      n2 = random.randint(10, 20)      s2 = np.random.choice(words, size=n2, replace=True, p=p)      s2 = s2.tolist()        # x等于s1和s2字符上的相加      x = s1 + ['+'] + s2            # y等于s1和s2数值上的相加      y = int(''.join(s1)) + int(''.join(s2))      y = list(str(y))            # 加上首尾记号      x = ['<SOS>'] + x + ['<EOS>']      y = ['<SOS>'] + y + ['<EOS>']        # 补pad到固定长度      x = x + ['<PAD>'] * 50      y = y + ['<PAD>'] * 51      x = x[:50]      y = y[:51]        # 编码成token      token_x = [vocab_x[i] for i in x]      token_y = [vocab_y[i] for i in y]        # 转tensor      tensor_x = torch.LongTensor(token_x)      tensor_y = torch.LongTensor(token_y)      return tensor_x, tensor_y      def show_data(tensor_x,tensor_y) ->'str':      words_x = ''.join([vocab_xr[i] for i in tensor_x.tolist()])      words_y = ''.join([vocab_yr[i] for i in tensor_y.tolist()])      return words_x,words_y      x,y = get_data()   print(x,y,'\n')  print(show_data(x,y))     

图片

# 界说数据集  class TwoSumDataset(torch.utils.data.Dataset):      def __init__(self,size = 100000):          super(Dataset, self).__init__()          self.size = size        def __len__(self):          return self.size        def __getitem__(self, i):          return get_data()        ds_train = TwoSumDataset(size = 100000)  ds_val = TwoSumDataset(size = 10000)      # 数据加载器  dl_train = DataLoader(dataset=ds_train,           batch_size=200,           drop_last=True,           shuffle=True)    dl_val = DataLoader(dataset=ds_val,           batch_size=200,           drop_last=True,           shuffle=False)    
for src,tgt in dl_train:      print(src.shape)      print(tgt.shape)      break   
torch.Size([200, 50])torch.Size([200, 51])二,界说模子

底下,咱们会像搭积木建城堡那样从低往高地构建Transformer模子。

先构建6个基础组件:多头把稳力、前馈集聚、层归一化、残差集聚、单词镶嵌、位置编码。近似用最基础的积木块搭建了 墙壁,屋顶,竹篱,厅柱,大门,窗户 这么的模块。

然后用这6个基础组件构建了3个中间制品: 编码器,解码器,产生器。近似用基础组件构建了城堡的主楼,塔楼,花圃。

临了用这3个中间制品拼装成Tranformer完整模子。近似用主楼,塔楼,花圃这么的中间制品凑合出一座完整美丽的城堡。

1, 多头把稳力: MultiHeadAttention (用于交融不同单词之间的信息, 三处使用场景,①Encoder self-attention, ② Decoder masked-self-attention, ③ Encoder-Decoder cross-attention)

2, 前馈集聚: PositionwiseFeedForward (用于逐位置将多头把稳力交融后的信息进行高维映射变换,简称FFN)

3, 层归一化: LayerNorm (用于褂讪输入,每个样本在Sequece和Feature维度归一化,比较BatchNorm更能妥贴NLP限制变长序列)

4, 残差集聚: ResConnection (用于增强梯度流动以裁汰集聚学习难度, 不错先LayerNorm再Add,LayerNorm也不错放在残差Add之后)

5, 单词镶嵌: WordEmbedding (用于编码单词信息,权伏击学习,输出乘了sqrt(d_model)来和位置编码保握十重量级)

6, 位置编码: PositionEncoding (用于编码位置信息,使用sin和cos函数平直编码皆备位置)

7, 编码器: TransformerEncoder (用于将输入Sequence编码成与Sequence等长的memory向量序列, 由N个TransformerEncoderLayer堆叠而成)

8, 解码器: TransformerDecoder (用于将编码器编码的memory向量解码成另一个不定长的向量序列, 由N个TransformerDecoderLayer堆叠而成)

9, 生成器: Generator (用于将解码器解码的向量序列中的每个向量映射成为输出辞书中的词,一般由一个Linear层组成)

10, 变形金刚: Transformer (用于Seq2Seq转码,举例用于机器翻译,遴荐EncoderDecoder架构,由Encoder, Decoder 和 Generator组成)

import torch   from torch import nn   import torch.nn.functional as F  import copy   import math   import numpy as np  import pandas as pd     def clones(module, N):      'Produce N identical layers.'      return nn.ModuleList([copy.deepcopy(module) for _ in range(N)])    
1,多头把稳力 MultiHeadAttention

需要逐步显露 ScaledDotProductAttention->MultiHeadAttention->MaskedMultiHeadAttention

先显露什么是 ScaledDotProductAttention,再显露MultiHeadAttention, 然后显露MaskedMultiHeadAttention

class ScaledDotProductAttention(nn.Module):      'Compute 'Scaled Dot Product Attention''      def __init__(self):          super(ScaledDotProductAttention, self).__init__()        def forward(self,query, key, value, mask=None, dropout=None):          d_k = query.size(-1)          scores = query@key.transpose(-2,-1) / math.sqrt(d_k)               if mask is not None:              scores = scores.masked_fill(mask == 0, -1e20)          p_attn = F.softmax(scores, dim = -1)          if dropout is not None:              p_attn = dropout(p_attn)          return p_attn@value, p_attn        class MultiHeadAttention(nn.Module):      def __init__(self, h, d_model, dropout=0.1):          'Take in model size and number of heads.'          super(MultiHeadAttention, self).__init__()          assert d_model % h == 0          # We assume d_v always equals d_k          self.d_k = d_model // h          self.h = h          self.linears = clones(nn.Linear(d_model, d_model), 4)          self.attn = None #记载 attention矩阵落拓          self.dropout = nn.Dropout(p=dropout)          self.attention = ScaledDotProductAttention()                def forward(self, query, key, value, mask=None):          if mask is not None:              # Same mask applied to all h heads.              mask = mask.unsqueeze(1)          nbatches = query.size(0)                    # 1) Do all the linear projections in batch from d_model => h x d_k           query, key, value = [              l(x).view(nbatches, -1, self.h, self.d_k).transpose(1, 2)               for l, x in zip(self.linears, (query, key, value))          ]                    # 2) Apply attention on all the projected vectors in batch.           x, self.attn = self.attention(query, key, value, mask=mask,                                    dropout=self.dropout)                    # 3) 'Concat' using a view and apply a final linear.           x = x.transpose(1, 2).contiguous() \               .view(nbatches, -1, self.h * self.d_k)          return self.linears[-1](x)      #为了让磨真金不怕火过程与解码过程信息流一致,装扮tgt序列背面元素,建造其把稳力为0  def tril_mask(data):      'Mask out future positions.'      size = data.size(-1) #size为序列长度      full = torch.full((1,size,size),1,dtype=torch.int,device=data.device)      mask = torch.tril(full).bool()       return mask      #建造对<PAD>的把稳力为0  def pad_mask(data, pad=0):      'Mask out pad positions.'      mask = (data!=pad).unsqueeze(-2)      return mask       #经营一个batch数据的src_mask和tgt_mask  class MaskedBatch:      'Object for holding a batch of data with mask during training.'      def __init__(self, src, tgt=None, pad=0):          self.src = src          self.src_mask = pad_mask(src,pad)          if tgt is not None:              self.tgt = tgt[:,:-1] #磨真金不怕火时,拿tgt的每一个词输入,去推测下一个词,是以临了一个词无需输入              self.tgt_y = tgt[:, 1:] #第一个老是<SOS>无需推测,推测从第二个词动手              self.tgt_mask = \                  self.make_tgt_mask(self.tgt, pad)              self.ntokens = (self.tgt_y!= pad).sum()             @staticmethod      def make_tgt_mask(tgt, pad):          'Create a mask to hide padding and future words.'          tgt_pad_mask = pad_mask(tgt,pad)          tgt_tril_mask = tril_mask(tgt)          tgt_mask = tgt_pad_mask & (tgt_tril_mask)          return tgt_mask        
import plotly.express as px   # 测试tril_mask   mask = tril_mask(torch.zeros(1,10)) #序列长度为10  #sns.heatmap(mask[0],cmap=sns.cm.rocket);  px.imshow(mask[0],color_continuous_scale='blues',height=600,width=600)    

图片

#测试 ScaledDotProductAttention    query = torch.tensor([[[0.0,1.414],[1.414,0.0],[1.0,1.0],[-1.0,1.0],[1.0,-1.0]]])  key = query.clone()   value = query.clone()    attention = ScaledDotProductAttention()    #莫得mask   out,p_att = attention(query, key, value)  fig = px.imshow(p_att[0],color_continuous_scale='blues',                  title='without mask',height=600,width=600)  fig.show()   

图片

#讨论mask  out,p_att = attention(query, key, value, mask = tril_mask(torch.zeros(3,5)))  fig = px.imshow(p_att[0],color_continuous_scale='blues',                  height=600,width=600,                  title='with mask')  fig.show()   

图片

# 测试MultiHeadAttention  cross_attn = MultiHeadAttention(h=2, d_model=4)  cross_attn.eval()  q1 = torch.tensor([[[0.1,0.1,0.1,0.1],[0.1,0.3,0.1,0.3]]])  k1 = q1.clone()  v1 = q1.clone()  tgt_mask = tril_mask(torch.zeros(2,2))    out1 = cross_attn.forward(q1,k1,v1,mask = tgt_mask)  print('out1:\n',out1)    #更正序列的第2个元素取值,由于有mask的装扮,不会影响第1个输出  q2 = torch.tensor([[[0.1,0.1,0.1,0.1],[0.4,0.5,0.5,0.8]]])  k2 = q2.clone()  v2 = q2.clone()  tgt_mask = tril_mask(torch.zeros(2,2))  out2 = cross_attn.forward(q2,k2,v2,mask = tgt_mask)  print('out2:\n',out2)    

图片

# 测试MaskedBatch  mbatch = MaskedBatch(src = src,tgt = tgt, pad = 0)  print(mbatch.src.shape)  print(mbatch.tgt.shape)  print(mbatch.tgt_y.shape)    print(mbatch.src_mask.shape)  print(mbatch.tgt_mask.shape)  px.imshow(mbatch.tgt_mask[0],color_continuous_scale='blues',width=600,height=600)  

图片

对于Transformer的多头把稳力机制,有几个重点问题,此处作念一些梳理:

(1),Transformer是若何处分长距离依赖的问题的?

Transformer是通过引入Scale-Dot-Product把稳力机制来交融序列上不同位置的信息,从而处分长距离依赖问题。以文本数据为例,在轮回神经集聚LSTM结构中,输入序列上相距很远的两个单词无法平直发生交互,只可通过守秘层输出或者细胞景况按照时辰形势一个一个向后进行传递。对于两个在序列上相距额外远的单词,中间经过的其它单词让守秘层输出和细胞景况混入了太多的信息,很难有用地捕捉这种长距离依赖特征。关联词在Scale-Dot-Product把稳力机制中,序列上的每个单词都会和其它系数单词作念一次点积经营把稳力得分,这种把稳力机制中单词之间的交互是强制的不受距离影响的,是以不错处分长距离依赖问题。

(2),Transformer在磨真金不怕火和测试阶段不错在时辰(序列)维度上进行并行吗?

在磨真金不怕火阶段,Encoder和Decoder在时辰(序列)维度都是并行的,在测试阶段,Encoder在序列维度是并行的,Decoder是串行的。

起先,Encoder部分在磨真金不怕火阶段和推测阶段都不错并行比较好显露,不管在磨真金不怕火照旧推测阶段,它干的事情都是把已知的完整输入编码成memory,在序列维度不错并行。

对于Decoder部分有些隐秘。在推测阶段Decoder确定是不可并行的,因为Decoder实质上是一个自追想,它前边k-1位置的输出会酿成第k位的输入的。前边莫得经营完,背面是拿不到输入的,确定不不错并行。那么磨真金不怕火阶段能否并行呢?天然磨真金不怕火阶段知谈了全部的解码落拓,关联词磨真金不怕火阶段要和推测阶段一致啊,前边的解码输出不可受到背面解码落拓的影响啊。但Transformer通过在Decoder中巧妙地引入Mask手段,使得在用Attention机制作念序列特征交融的时候,每个单词对位于它之后的单词的把稳力得分都为0,这么就保证了前边的解码输出不会受到背面解码落拓的影响,因此Decoder在磨真金不怕火阶段不错在序列维度作念并行。

(3), Scaled-Dot Product Attention为什么要除以 ?

为了幸免 变得很大时 softmax函数的梯度趋于0。假定 和 中的取出的两个向量 和 的每个元素值都是正态立时散布, 数学上不错确认两个寂然的正态立时变量的积依然是一个正态立时变量, 那么两个向量作念点积, 会得到 个正态立时变量的和, 数学上 个正态立时变量的和依然是一个正态立时变量, 其方差是蓝本的 倍, 圭臬差是蓝本的 倍。要是不作念 scale, 当 很大时, 求得的 元素的皆备值容易很大, 导致落在 softmax的顶点区域(趋于 0 或者 1 ), 顶点区域softmax函数的梯度值趋于 0 , 不利于模子学习。除以 , 正好作念了归一, 不受 变化影响。

勾引处男

(4)沈先生 探花,MultiHeadAttention的参数数目和head数目有何关联?

MultiHeadAttention的参数数目和head数目无关。多头把稳力的参数来自对QKV的三个变换矩阵以及多头落拓concat后的输出变换矩阵。假定镶嵌向量的长度是d_model, 一共有h个head. 对每个head,这三个变换矩阵的尺寸都是 d_model×(d_model/h),是以h个head总的参数数目即是3×d_model×(d_model/h)×h = 3×d_model×d_model。它们的输出向量长度都酿成 d_model/h,经过attention作用后向量长度保握,h个head的输出拼接到一齐后向量长度照旧d_model,是以临了输出变换矩阵的尺寸是d_model×d_model。因此,MultiHeadAttention的参数数目为 4×d_model×d_model,和head数目无关。

2,前馈集聚: PositionwiseFeedForward

用于逐位置将多头把稳力交融后的信息进行高维映射变换,简称FFN。

FFN仅有两个线性层,爸爸与女儿第一层将模子向量维度 从 d_model(512) 升到 d_ff(2048), 第二层再降回 d_model(512)

两个线性层之间加了一个0.1的Dropout

class PositionwiseFeedForward(nn.Module):      'Implements FFN equation.'      def __init__(self, d_model, d_ff, dropout=0.1):          super(PositionwiseFeedForward, self).__init__()          self.linear1 = nn.Linear(d_model, d_ff)  #线性层默许作用在临了一维度          self.linear2 = nn.Linear(d_ff, d_model)          self.dropout = nn.Dropout(dropout)        def forward(self, x):          return self.linear2(self.dropout(F.relu(self.linear1(x))))          3,层归一化:LayerNorm

在视觉限制,归一化一般用BatchNorm,关联词在NLP限制,归一化一般用LayerNorm。

这是由于NLP限制的输入时常是不等长的Sequence,使用BatchNorm会让较长的Sequence输入的背面特征大约使用的参与归一化的样本数太少,让输入变得不褂讪。

同期消失个Sequence的被PADDING填充的特征也会因BatchNorm赢得不同的非零值,这对模子额外不友好。

比较之下,LayerNorm老是对一个样本我方的特征进行归一化,莫得上述问题。

class LayerNorm(nn.Module):      'Construct a layernorm module (similar to torch.nn.LayerNorm).'      def __init__(self, features, eps=1e-6):          super(LayerNorm, self).__init__()          self.weight = nn.Parameter(torch.ones(features))          self.bias = nn.Parameter(torch.zeros(features))          self.eps = eps        def forward(self, x):          mean = x.mean(-1, keepdim=True)          std = x.std(-1, keepdim=True)          return self.weight * (x - mean) / (std + self.eps) + self.bias          
4,残差集聚:ResConnection

用于增强梯度流动以裁汰集聚学习难度。

ResConnection 包括LayerNorm和Add残差集聚操作, LayerNorm不错放在最动手(norm_first=True),也不错放在临了(norm_first=False)。

《Attention is All you needed》论文原文是残差集聚之后再 LayerNorm,但背面的一些接洽发现最动手的时候就LayerNorm更好一些。

残差集聚对于磨真金不怕火深度集聚至关伏击。有好多接洽残差集聚(ResNet)作用机制,解释它为什么有用的著作,主要的一些不雅点如下。

1,残差集聚增强了梯度流动。直不雅上看,loss端的梯度大约通过最初集聚快速传递到不同深度的各个层,增强了梯度流动,裁汰了集聚的学习难度。数学上看,残差块的导数 f(x)=x+h(x) 为 f'(x)=1+h'(x) 在1.0隔邻,幸免了梯度隐匿问题。

2,残差集聚放松了集聚退化。一个集聚层h(x)不错用一个变换矩阵H来默示,由于好多神经元有疏浚的响应步地,h(x)等价的变换矩阵H可能有好多行是线性联系的,这使得H的行列式为0,H为非可逆矩阵,h(x)会导致集聚的退化和信息丢失。但增多了残差集聚之后,f(x)=x+h(x)对应的变换矩阵F=H+I,单元阵I抛弃了H中联系行的线性联系性,放松了退化的可能。

3,残差集聚终澄清模子集成。要是将磨真金不怕火好的ResNet的一些block移除,模子的推测精度并不会崩溃式下落,关联词要是将磨真金不怕火好的VGG的一些block移除,模子的推测精度会雪崩。这确认ResNet中的各个Block近似基模子,ResNet通过残差集聚将它们整合成了一个ensemble集成模子,增强了泛化智商。

4,残差集聚增强了抒发智商。使用残差块构建的深层集聚所代表的函数簇集聚是浅层集聚所代表的的函数簇集聚的超集,抒发智商更强,是以不错通过添加残差块束缚扩充模子抒发智商。要是不使用残差集聚,一个一层的集聚f(x) = h1(x)  所能默示的函数簇 不一定能被一个二层的集聚 f(x) = h2(h1(x))所掩盖,关联词使用残差集聚后,f(x) = h1(x)+h2(h1(x))一定不错掩盖一层的集聚所默示的函数簇,只消h2的全部权重取0即可。

参考:https://zhuanlan.zhihu.com/p/165350103

class ResConnection(nn.Module):      '''      A residual connection with a layer norm.      Note the norm is at last according to the paper, but it may be better at first.      '''      def __init__(self, size, dropout, norm_first=True):          super(ResConnection, self).__init__()          self.norm = LayerNorm(size)          self.dropout = nn.Dropout(dropout)          self.norm_first = norm_first        def forward(self, x, sublayer):          'Apply residual connection to any sublayer with the same size.'          if self.norm_first:              return x + self.dropout(sublayer(self.norm(x)))          else:              return self.norm(x + self.dropout(sublayer(x)))            5,单词镶嵌: WordEmbedding(权伏击学习)

用于编码单词信息,权伏击学习,输出乘了sqrt(d_model)来和位置编码保握十重量级。

当d_model越大的时候,凭据 nn.init.xavier_uniform 驱动化计谋驱动化的权重取值会越小。

# 单词镶嵌  class WordEmbedding(nn.Module):      def __init__(self, d_model, vocab):          super(WordEmbedding, self).__init__()          self.embedding = nn.Embedding(vocab, d_model)          self.d_model = d_model        def forward(self, x):          return self.embedding(x) * math.sqrt(self.d_model) #note here, multiply sqrt(d_model)        
6,位置编码:PositionEncoding(平直编码)

PositionEncoding用于编码位置信息,使用sin和cos函数平直编码皆备位置。

单词和单词设施对说话道理都额外伏击。

'你欠我1000块钱'和'我欠你1000块钱'是由完全疏浚的单词组成,但由于词的设施不同,含义迥然相异。

在Transformer之前,一般用RNN模子来处理句子序列。

RNN模子本人蕴含了对设施的建模,单词是按照它们在句子中的天然设施一个个地被RNN单元处理,逐一地被编码。

但Transformer是并行地处理句子中的单词的,空乏单词的位置信息表征。

为了有用地表征单词的位置信息,Transformer联想了位置编码 PositionalEncoding,并添加到模子的输入中。

于是,Transformer 用单词镶嵌(权伏击学习)向量 和位置编码(平直编码)向量 之和 来默示输入。

若何构造位置编码呢?即若何 把 pos = 0,1,2,3,4,5,... 这么的位置序列映射成为 一个一个的向量呢?

Transformer联想了基于正弦函数和余弦函数的位置编码方法。

图片

这种编码方法有以下几个优点:

1,编码值散布在[-1,1]之间,这么的散布对神经集聚是比较友好的。

2,编码了皆备位置信息,对于0<=pos<=2_pi_10000,每个pos的位置编码向量都是不同样的。

更多位置编码的盘问参考如下博客:《

让接洽东谈主员索尽枯肠的Transformer位置编码》

https://kexue.fm/archives/8130

# 位置编码  class PositionEncoding(nn.Module):      'Implement the PE function.'      def __init__(self, d_model, dropout, max_len=5000):          super(PositionEncoding, self).__init__()          self.dropout = nn.Dropout(p=dropout)                    # Compute the positional encodings once in log space.          pe = torch.zeros(max_len, d_model)          position = torch.arange(0, max_len).unsqueeze(1)          div_term = torch.exp(torch.arange(0, d_model, 2) *                               -(math.log(10000.0) / d_model))          pe[:, 0::2] = torch.sin(position * div_term)          pe[:, 1::2] = torch.cos(position * div_term)          pe = pe.unsqueeze(0)          self.register_buffer('pe', pe)                def forward(self, x):          x = x + self.pe[:, :x.size(1)]          return self.dropout(x)        
pe = PositionEncoding(120, 0)  z = pe.forward(torch.zeros(1, 100, 120))  df = pd.DataFrame(z[0, :, [0,20,60,110]].data.numpy(),columns = ['dim'+c for c in ['0','20','60','110']])  df.insert(0,'x',np.arange(100))  px.line(df, x = 'x',y = ['dim'+c for c in ['0','20','60','110']]).show()     

图片

px.imshow(np.squeeze(z.data.numpy()) ,color_continuous_scale='blues',width=1000,height=800)     

图片

7, 编码器: TransformerEncoder

用于将输入Sequence编码成与Sequence等长的memory向量序列, 由N个TransformerEncoderLayer堆叠而成

class TransformerEncoderLayer(nn.Module):      'TransformerEncoderLayer is made up of self-attn and feed forward (defined below)'      def __init__(self, size, self_attn, feed_forward, dropout):          super(TransformerEncoderLayer, self).__init__()          self.self_attn = self_attn          self.feed_forward = feed_forward          self.res_layers = clones(ResConnection(size, dropout), 2)          self.size = size        def forward(self, x, mask):          'Follow Figure 1 (left) for connections.'          x = self.res_layers[0](x, lambda x: self.self_attn(x, x, x, mask))          return self.res_layers[1](x, self.feed_forward)              class TransformerEncoder(nn.Module):      'TransformerEncoder is a stack of N TransformerEncoderLayer'      def __init__(self, layer, N):          super(TransformerEncoder, self).__init__()          self.layers = clones(layer, N)          self.norm = LayerNorm(layer.size)                def forward(self, x, mask):          'Pass the input (and mask) through each layer in turn.'          for layer in self.layers:              x = layer(x, mask)          return self.norm(x)            @classmethod      def from_config(cls,N=6,d_model=512, d_ff=2048, h=8, dropout=0.1):          attn = MultiHeadAttention(h, d_model)          ff = PositionwiseFeedForward(d_model, d_ff, dropout)          layer = TransformerEncoderLayer(d_model, attn, ff, dropout)          return cls(layer,N)  
from torchkeras import summary     src_embed = nn.Sequential(WordEmbedding(d_model=32, vocab = len(vocab_x)),                             PositionEncoding(d_model=32, dropout=0.1))  encoder = TransformerEncoder.from_config(N=3,d_model=32, d_ff=128, h=8, dropout=0.1)  src_mask = pad_mask(src)  memory = encoder(*[src_embed(src),src_mask])   summary(encoder,input_data_args = [src_embed(src),src_mask]);    8,解码器:TransformerDecoder

用于将编码器编码的memory向量解码成另一个不定长的向量序列, 由N个TransformerDecoderLayer堆叠而成

class TransformerDecoderLayer(nn.Module):      'TransformerDecoderLayer is made of self-attn, cross-attn, and feed forward (defined below)'      def __init__(self, size, self_attn, cross_attn, feed_forward, dropout):          super(TransformerDecoderLayer, self).__init__()          self.size = size          self.self_attn = self_attn          self.cross_attn = cross_attn          self.feed_forward = feed_forward          self.res_layers = clones(ResConnection(size, dropout), 3)         def forward(self, x, memory, src_mask, tgt_mask):          'Follow Figure 1 (right) for connections.'          m = memory          x = self.res_layers[0](x, lambda x: self.self_attn(x, x, x, tgt_mask))          x = self.res_layers[1](x, lambda x: self.cross_attn(x, m, m, src_mask))          return self.res_layers[2](x, self.feed_forward)        
class TransformerDecoder(nn.Module):      'Generic N layer decoder with masking.'      def __init__(self, layer, N):          super(TransformerDecoder, self).__init__()          self.layers = clones(layer, N)          self.norm = LayerNorm(layer.size)                def forward(self, x, memory, src_mask, tgt_mask):          for layer in self.layers:              x = layer(x, memory, src_mask, tgt_mask)          return self.norm(x)            @classmethod      def from_config(cls,N=6,d_model=512, d_ff=2048, h=8, dropout=0.1):          self_attn = MultiHeadAttention(h, d_model)          cross_attn = MultiHeadAttention(h, d_model)          ff = PositionwiseFeedForward(d_model, d_ff, dropout)          layer = TransformerDecoderLayer(d_model, self_attn, cross_attn, ff, dropout)          return cls(layer,N)    
from torchkeras import summary     mbatch = MaskedBatch(src=src,tgt=tgt,pad=0)    src_embed = nn.Sequential(WordEmbedding(d_model=32, vocab = len(vocab_x)),                             PositionEncoding(d_model=32, dropout=0.1))  encoder = TransformerEncoder.from_config(N=3,d_model=32, d_ff=128, h=8, dropout=0.1)  memory = encoder(src_embed(src),mbatch.src_mask)     tgt_embed = nn.Sequential(WordEmbedding(d_model=32, vocab = len(vocab_y)),                             PositionEncoding(d_model=32, dropout=0.1))  decoder = TransformerDecoder.from_config(N=3,d_model=32, d_ff=128, h=8, dropout=0.1)    result = decoder.forward(tgt_embed(mbatch.tgt),memory,mbatch.src_mask,mbatch.tgt_mask)   summary(decoder,input_data_args = [tgt_embed(mbatch.tgt),memory,                                mbatch.src_mask,mbatch.tgt_mask]);    
decoder.eval()   mbatch.tgt[0][1]=8  result = decoder.forward(tgt_embed(mbatch.tgt),memory,mbatch.src_mask,mbatch.tgt_mask)  print(torch.sum(result[0][0]))     mbatch.tgt[0][1]=7  result = decoder.forward(tgt_embed(mbatch.tgt),memory,mbatch.src_mask,mbatch.tgt_mask)  print(torch.sum(result[0][0]))     9,生成器: Generator

用于将解码器解码输出的向量序列中的每个向量逐一映射成为输出辞书中各个词的取词概率。一般由一个Linear层接F.log_softmax组成,比较浅薄。接F.log_softmax而不接F.softmax的原因是对于一些终点小的概率如1e-100,在精度敛迹条目下,F.log_softmax大约愈加准确地默示其大小。

class Generator(nn.Module):      'Define standard linear + softmax generation step.'      def __init__(self, d_model, vocab):          super(Generator, self).__init__()          self.proj = nn.Linear(d_model, vocab)        def forward(self, x):          return F.log_softmax(self.proj(x), dim=-1)    
generator = Generator(d_model = 32, vocab = len(vocab_y))   log_probs  = generator(result)  probs = torch.exp(log_probs)  print('output_probs.shape:',probs.shape)  print('sum(probs)=1:')   print(torch.sum(probs,dim = -1)[0])     summary(generator,input_data = result);    10,变形金刚:Transformer

用于Seq2Seq转码,举例用于机器翻译,遴荐EncoderDecoder架构,由Encoder, Decoder 和 Generator组成

from torch import nn   class Transformer(nn.Module):      '''      A standard Encoder-Decoder architecture. Base for this and many other models.      '''      def __init__(self, encoder, decoder, src_embed, tgt_embed, generator):          super(Transformer, self).__init__()          self.encoder = encoder          self.decoder = decoder          self.src_embed = src_embed          self.tgt_embed = tgt_embed          self.generator = generator          self.reset_parameters()                def forward(self, src, tgt, src_mask, tgt_mask):          'Take in and process masked src and target sequences.'          return self.generator(self.decode(self.encode(src, src_mask),                   src_mask, tgt, tgt_mask))            def encode(self, src, src_mask):          return self.encoder(self.src_embed(src), src_mask)            def decode(self, memory, src_mask, tgt, tgt_mask):          return self.decoder(self.tgt_embed(tgt), memory, src_mask, tgt_mask)            @classmethod      def from_config(cls,src_vocab,tgt_vocab,N=6,d_model=512, d_ff=2048, h=8, dropout=0.1):          encoder = TransformerEncoder.from_config(N=N,d_model=d_model,                    d_ff=d_ff, h=h, dropout=dropout)          decoder = TransformerDecoder.from_config(N=N,d_model=d_model,                    d_ff=d_ff, h=h, dropout=dropout)          src_embed = nn.Sequential(WordEmbedding(d_model, src_vocab), PositionEncoding(d_model, dropout))          tgt_embed = nn.Sequential(WordEmbedding(d_model, tgt_vocab), PositionEncoding(d_model, dropout))                    generator = Generator(d_model, tgt_vocab)          return cls(encoder, decoder, src_embed, tgt_embed, generator)            def reset_parameters(self):          for p in self.parameters():              if p.dim() > 1:                  nn.init.xavier_uniform_(p)        
from torchkeras import summary   net = Transformer.from_config(src_vocab = len(vocab_x),tgt_vocab = len(vocab_y),                     N=2, d_model=32, d_ff=128, h=8, dropout=0.1)    mbatch = MaskedBatch(src=src,tgt=tgt,pad=0)    summary(net,input_data_args = [mbatch.src,mbatch.tgt,mbatch.src_mask,mbatch.tgt_mask]);    

图片

图片

图片

三,磨真金不怕火模子

Transformer的磨真金不怕火主要用到了以下两个手段:

1,学习率退换: Learning Rate Scheduler (用于擢升模子学习褂讪性。作念法是学习率先warm up线性增长,再按照 1/sqrt(step) 公法安闲下落)

2,标签平滑: Label Smoothing. (用于让模子愈加蚁集在对分类乌有的样本的学习,而不是扩大照旧分类正确样本中正负样本推测差距。作念法是将正例标签由1改成0.1,负例标签由0改成0.9/vocab_size)

先容了用这两个方法封装的 Optimizer和 Loss 后,咱们进一步终了完整磨真金不怕火代码。

3,完整磨真金不怕火代码。

1,学习率退换:Learning Rate Scheduler

用于擢升模子学习褂讪性。

作念法是学习率先warm up线性增长,再按照 1/sqrt(step) 公法安闲下落。

学习率的warm up为何有用呢?

一种解释性不雅点是合计这大约让模子驱动学习时参数巩固变化并幸免对动手的几个batch数据过拟合堕入局部最优。

由于刚学习时,loss比较大,梯度会很大,要是学习率也很大,两者相乘会更大,那么模子参数会跟着不同batch数据的各别剧烈抖动,无法有用地学习,也容易对动手的几个batch数据过拟合,后期很难拉回来。

比及模子学习了一些时候,loss变小了,梯度也会小,学习率调大,两者相乘也不会很大,模子依然不错巩固有用地学习。

后期为何又要让调低学习率呢?

这是因为后期模子loss照旧很小了,在最优参数隔邻了,要是学习率过大,容易在最优参数隔邻颠簸,无法贴近最优参数。

参考:https://www.zhihu.com/question/338066667

#注1:此处通过摄取方法将学习率退换计谋融入Optimizer  #注2:NoamOpt中的Noam是论文作家之一的名字  #注3:学习率是按照step而非epoch去更正的    class NoamOpt(torch.optim.AdamW):      def __init__(self, params, model_size=512, factor=1.0, warmup=4000,                    lr=0, betas=(0.9, 0.98), eps=1e-9,                   weight_decay=0, amsgrad=False):          super(NoamOpt,self).__init__(params, lr=lr, betas=betas, eps=eps,                   weight_decay=weight_decay, amsgrad=amsgrad)          self._step = 0          self.warmup = warmup          self.factor = factor          self.model_size = model_size                def step(self,closure=None):          'Update parameters and rate'          self._step += 1          rate = self.rate()          for p in self.param_groups:              p['lr'] = rate          super(NoamOpt,self).step(closure=closure)                def rate(self, step = None):          'Implement `lrate` above'          if step is None:              step = self._step          return self.factor * \              (self.model_size ** (-0.5) *              min(step * self.warmup ** (-1.5),step ** (-0.5)))        optimizer = NoamOpt(net.parameters(),          &nbnbsp;model_size=net.src_embed[0].d_model, factor=1.0,           warmup=400)    
import plotly.express as px     opts = [NoamOpt(net.parameters(),model_size=512, factor =1, warmup=4000),           NoamOpt(net.parameters(),model_size=512, factor=1,  warmup=8000),          NoamOpt(net.parameters(),model_size=256, factor=1,  warmup=4000)]    steps = np.arange(1, 20000)  rates = [[opt.rate(i) for opt in opts] for i in steps]  dfrates = pd.DataFrame(rates,columns = ['512:4000', '512:8000', '256:4000'])  dfrates['steps'] = steps     fig = px.line(dfrates,x='steps',y=['512:4000', '512:8000', '256:4000'])  fig.layout.yaxis.title = 'lr'  fig     

图片

2,标签平滑:Label Smoothing

用于让模子愈加蚁集在对分类乌有的样本的学习,而不是扩大照旧分类正确样本中正负样本推测差距。

作念法是将正例标签由1改成0.1,负例标签由0改成0.9/vocab_size

多分类一般用softmax激活函数,要让模子对正例标签推测值为1长短常贫困的,那需要输出正无限才不错.

对负例标签推测值为0也长短常贫困的,那需要输出负无限才不错。

但实质上咱们不需要模子那么敬佩,只消正例标签的推测值比负例标签大就行了。

因此不错作念标签平滑,让模子无用费力地无限扩大分类正确样本中正负样本之间的推测差距,而是蚁集在对分类乌有的样本的学习。

由于在激活函数中照旧遴荐了F.log_softmax, 是以亏蚀函数不可用nn.CrossEntropyLoss,而需要使用 nn.NLLoss.

(注:nn.LogSoftmax + nn.NLLLoss = nn.CrossEntropyLoss)

同期由于使用了标签平滑,遴荐nn.NLLoss时亏蚀的最小值无法酿成0,需要扣除标签散布本人的熵,亏蚀函数进一步酿成 nn.KLDivLoss.

在遴荐标签平滑的时候,nn.KLDivLoss和nn.NLLoss的梯度疏浚,优化服从疏浚,但其最小值是0,更合适咱们对亏蚀的直不雅显露。

class LabelSmoothingLoss(nn.Module):      'Implement label smoothing.'      def __init__(self, size, padding_idx, smoothing=0.0): #size为辞书大小          super(LabelSmoothingLoss, self).__init__()          self.criterion = nn.KLDivLoss(reduction='sum')          self.padding_idx = padding_idx          self.confidence = 1.0 - smoothing          self.smoothing = smoothing          self.size = size          self.true_dist = None                def forward(self, x, target):          assert x.size(1) == self.size          true_dist = x.data.clone()          true_dist.fill_(self.smoothing / (self.size - 2))  #推测落拓不会是<SOS> #和<PAD>          true_dist.scatter_(1, target.data.unsqueeze(1), self.confidence)          true_dist[:, self.padding_idx] = 0          mask = torch.nonzero((target.data == self.padding_idx).int())          if mask.dim() > 0:              true_dist.index_fill_(0, mask.squeeze(), 0.0)          self.true_dist = true_dist          return self.criterion(x, true_dist)        
# Example of label smoothing.  smooth_loss = LabelSmoothingLoss(5, 0, 0.4)  predict = torch.FloatTensor([[1e-10, 0.2, 0.7, 0.1, 1e-10],                               [1e-10, 0.2, 0.7, 0.1, 1e-10],                                [1e-10, 0.2, 0.7, 0.1, 1e-10]])  loss = smooth_loss(predict.log(), torch.LongTensor([2, 1, 0]))    print('smoothed target:\n',smooth_loss.true_dist,'\n')   print('loss:',loss)  px.imshow(smooth_loss.true_dist,color_continuous_scale='blues',height=600,width=1000)    
smoothed target: tensor([[0.0000, 0.1333, 0.6000, 0.1333, 0.1333],        [0.0000, 0.6000, 0.1333, 0.1333, 0.1333],        [0.0000, 0.0000, 0.0000, 0.0000, 0.0000]]) loss: tensor(5.9712)
3,完整磨真金不怕火代码

有了优化器和Loss后,咱们便不错磨真金不怕火模子了。

咱们先合座试算loss和metric,然后再套上torchkeras的磨真金不怕火模版。

#合座历程试算    for src,tgt in dl_train:      break   mbatch = MaskedBatch(src=src,tgt=tgt,pad = 0)    net = Transformer.from_config(src_vocab = len(vocab_x),tgt_vocab = len(vocab_y),                     N=3, d_model=64, d_ff=128, h=8, dropout=0.1)    #loss  loss_fn = LabelSmoothingLoss(size=len(vocab_y),               padding_idx=0, smoothing=0.2)  preds = net.forward(mbatch.src, mbatch.tgt, mbatch.src_mask, mbatch.tgt_mask)  preds = preds.reshape(-1, preds.size(-1))  labels = mbatch.tgt_y.reshape(-1)  loss = loss_fn(preds, labels)/mbatch.ntokens   print('loss=',loss.item())                                 #metric  preds = preds.argmax(dim=-1).view(-1)[labels!=0]  labels = labels[labels!=0]    acc = (preds==labels).sum()/(labels==labels).sum()  print('acc=',acc.item())      
loss= 2.1108953952789307acc= 0.08041179925203323
from torchmetrics import Accuracy   #使用torchmetrics中的主义  accuracy = Accuracy(task='multiclass',num_classes=len(vocab_y))  accuracy.update(preds,labels)  print('acc=',accuracy.compute().item())  
acc= 0.08041179925203323

底下使用咱们的梦中情炉来终了最优雅的磨真金不怕火轮回~

from torchkeras import KerasModel     class StepRunner:      def __init__(self, net, loss_fn,                    accelerator=None, stage = 'train', metrics_dict = None,                    optimizer = None, lr_scheduler = None                   ):          self.net,self.loss_fn,self.metrics_dict,self.stage = net,loss_fn,metrics_dict,stage          self.optimizer,self.lr_scheduler = optimizer,lr_scheduler          self.accelerator = accelerator          if self.stage=='train':              self.net.train()           else:              self.net.eval()            def __call__(self, batch):          src,tgt = batch           mbatch = MaskedBatch(src=src,tgt=tgt,pad = 0)                    #loss          with self.accelerator.autocast():              preds = net.forward(mbatch.src, mbatch.tgt, mbatch.src_mask, mbatch.tgt_mask)              preds = preds.reshape(-1, preds.size(-1))              labels = mbatch.tgt_y.reshape(-1)              loss = loss_fn(preds, labels)/mbatch.ntokens                             #filter padding              preds = preds.argmax(dim=-1).view(-1)[labels!=0]              labels = labels[labels!=0]              #backward()          if self.stage=='train' and self.optimizer is not None:              self.accelerator.backward(loss)              if self.accelerator.sync_gradients:                  self.accelerator.clip_grad_norm_(self.net.parameters(), 1.0)              self.optimizer.step()              if self.lr_scheduler is not None:                  self.lr_scheduler.step()              self.optimizer.zero_grad()                        all_loss = self.accelerator.gather(loss).sum()          all_preds = self.accelerator.gather(preds)          all_labels = self.accelerator.gather(labels)                              #losses (or plain metrics that can be averaged)          step_losses = {self.stage+'_loss':all_loss.item()}            step_metrics = {self.stage+'_'+name:metric_fn(all_preds, all_labels).item()                           for name,metric_fn in self.metrics_dict.items()}                    if self.stage=='train':              if self.optimizer is not None:                  step_metrics['lr'] = self.optimizer.state_dict()['param_groups'][0]['lr']              else:                  step_metrics['lr'] = 0.0          return step_losses,step_metrics        KerasModel.StepRunner = StepRunner     
from torchmetrics import Accuracy     net = Transformer.from_config(src_vocab = len(vocab_x),tgt_vocab = len(vocab_y),                     N=5, d_model=64, d_ff=128, h=8, dropout=0.1)    
loss_fn = LabelSmoothingLoss(size=len(vocab_y),               padding_idx=0, smoothing=0.1)    metrics_dict = {'acc':Accuracy(task='multiclass',num_classes=len(vocab_y))}   optimizer = NoamOpt(net.parameters(),model_size=64)    model = KerasModel(net,                     loss_fn=loss_fn,                     metrics_dict=metrics_dict,                     optimizer = optimizer)    model.fit(      train_data=dl_train,      val_data=dl_val,      epochs=100,      ckpt_path='checkpoint',      patience=10,      monitor='val_acc',      mode='max',      callbacks=None,      plot=True  )    

图片

四,使用模子

底下使用有筹商法进行翻译推理过程。

和磨真金不怕火过程不错通过掩码装扮改日token,从而终了一个句子在序列长度标的并行磨真金不怕火不同。

翻译推理过程只消先翻译了前边的内容,添加到输出中,才气够翻译背面的内容,这个过程是无法在序列维度并行的。

Decoder&Generator第k位的输出实质上对应的是 已知 输入编码后的memory和前k位Deocder输入(解码序列)

的情况下解码序列第k+1位取 输出辞书中各个词的概率。

有筹商法是获取解码落拓的简化决策,工程推论当中一般使用束搜索方法(Beam Search)

参考:《十分钟读懂Beam Search》 https://zhuanlan.zhihu.com/p/114669778

def greedy_decode(net, src, src_mask, max_len, start_symbol):      net.eval()       memory = net.encode(src, src_mask)      ys = torch.full((len(src),max_len),start_symbol,dtype = src.dtype).to(src.device)      for i in range(max_len-1):          out = net.generator(net.decode(memory, src_mask,                 ys, tril_mask(ys)))          ys[:,i+1]=out.argmax(dim=-1)[:,i]      return ys    def get_raw_words(tensor,vocab_r) ->'str':      words = [vocab_r[i] for i in tensor.tolist()]      return words    def get_words(tensor,vocab_r) ->'str':      s = ''.join([vocab_r[i] for i in tensor.tolist()])      words = s[:s.find('<EOS>')].replace('<SOS>','')      return words    def prepare(x,accelerator=model.accelerator):      return x.to(accelerator.device)  
##解码翻译落拓  net = model.net  net.eval()   net = prepare(net)  src,tgt = get_data()  src,tgt = prepare(src),prepare(tgt)  mbatch = MaskedBatch(src=src.unsqueeze(dim=0),tgt=tgt.unsqueeze(dim=0))    y_pred = greedy_decode(net,mbatch.src,mbatch.src_mask,50,vocab_y['<SOS>'])  print('input:')  print(get_words(mbatch.src[0],vocab_xr),'\n') #标签落拓  print('ground truth:')  print(get_words(mbatch.tgt[0],vocab_yr),'\n') #标签落拓  print('prediction:')  print(get_words(y_pred[0],vocab_yr)) #解码推测落拓,原始标签中<PAD>位置的推测不错忽略    

input: 744905345112863593+7323038062936802655

ground truth: 8067943408049666248

prediction: 8067943408049666248

五,评估模子

咱们磨真金不怕火过程中监控的acc实质上是字符级别的acc,当今咱们来经营样本级别的准确率。

from tqdm.auto import tqdm    net = prepare(net)  loop = tqdm(range(1,201))  correct = 0  for i in loop:      src,tgt = get_data()      src,tgt = prepare(src),prepare(tgt)      mbatch = MaskedBatch(src=src.unsqueeze(dim=0),tgt=tgt.unsqueeze(dim=0))      y_pred = greedy_decode(net,mbatch.src,mbatch.src_mask,50,vocab_y['<SOS>'])        inputs = get_words(mbatch.src[0],vocab_xr) #标签落拓      gt = get_words(mbatch.tgt[0],vocab_yr) #标签落拓      preds = get_words(y_pred[0],vocab_yr) #解码推测落拓,原始标签中<PAD>位置的推测不错忽略      if preds==gt:          correct+=1      loop.set_postfix(acc = correct/i)        print('acc=',correct/len(loop))  

图片

perfect沈先生 探花,基本完好意思终了两数之和。

本站仅提供存储办事,系数内容均由用户发布,如发现存害或侵权内容,请点击举报。

    热点资讯

    相关资讯