【AI-NLP】Transformer理论及源码理解

关注

原创 2023-02-02 16:07:29 1k 阅读 AI 写同款· GEO 优化 ›

普通人也能看懂的Transformer源代码解释（PyTorch） Transformer源代码解释之PyTorch篇章节词嵌入位置编码多头注意力搭建Transformer 在这里插入图片描述词嵌入 Transformer本质上是一种Encoder，以翻译任务为例，原始数据集是以两种语言组成一行的，在应用时，应是Encoder输入源语言序列，Decoder里面输入需要被转换的语言序列（训练时）。一个文本常有许多序列组成，常见操作为将序列进行一些预处理（如词切分等）变成列表，一个序列的列表的元素通常为词表中不可切分的最小词，整个文本就是一个大列表，元素为一个一阅读详情

提出背景

改进了RNN的训练慢的缺点，利用self-attention机制实现并行计算。并且Transformer可以增加到非常深的深度，充分发掘DNN模型的特性，提升模型准确率。同时使用注意力机制更容易关注序列的全局特征，解决了RNN不善处理长距离依赖的问题
本质上是一个seq2seq的模型，因此可用于机器翻译，语音辨识，语音合成等问题

总体结构

整体结构由编码器与解码器组成，一个编码器中可有若干个编码层

注意，Encoder中的参数各不相同

Encoder

编码器的作用在于，输入一个向量，输出一个等长的向量

要点：

使用多头注意力机制，关注全局输入向量的资讯
使用了残差及layer normalization，避免出现梯度消失问题
使用前向神经网络，每个位置的单词对应的前馈神经网络都完全一样

Self Attention

query，key，value全由输入向量自身计算得到的一种注意力机制。每一个输入向量分别对应了查询、键、值权重矩阵，用于生成查询、键、值向量，权重矩阵为训练参数

Decoder

输入有两部分

编码器最后一层的输出作为key和value
同时解码器自己的输入经过多头自注意力的计算作为query

输出为对应的结果序列

结构与编码器类似，唯一的不同在于Masked Multi-Head Attention使用了掩码机制，不再关注全局的资讯，而是只考虑了当前位置以及当前位置之前的信息，存在时序性

细节再探

Teacher forcing：将真实标签作为decoder的输入，依次预测结果，相当于把正确答案给解码器
掩码作用：考虑到Teacher forcing已经将正确答案输入到模型，因此在每次预测一个token时，需要将其及其之后的token先掩盖，保证训练任务和预测任务在执行自回归时，是同样的形式

$d_k$ 是query和key向量的维度
在计算注意力权重时除以 $d_k$ ，避免了随着 $d_k$ 的增大，即维度增大时，计算出的权重出现过大（softmax后的值非0即1）的情况，从而保留了数据原始的分布，可以使得梯度回传时更加平稳

使用layer normalize而非batch normalize：ln是针对一个样本内部做归一化；bn针对的是各个样本的特征做归一化，在文本长度变化较大时，这种归一化方式会造成均值方差抖动明显

多头self attention意在让根据词向量得出的query, key, value向量，进入不同的线性层（子空间），分别进行自注意力计算，捕捉全局丰富的语义信息，再将所有结果concat，拼接回原有的形状，最后再进入一个线性层得到结果

在decoder中计算自注意力时，query来自带有掩码的自注意力计算得出，而key和value来自encoder最后的输出，目的是让Decoder端的单词(token)给予Encoder端对应的单词(token)“更多的关注(attention weight)”

自注意力是基于全局信息进行计算，而忽略了时序信息（导致任意打乱句子中token的顺序，结果不变），位置编码PE解决了这一问题。PE的长度与embedding相同，使二者可以直接相加。
计算方式是根据token的文本中的位置，PE向量中偶数位使用sin计算，奇数位使用cos计算。由于三角函数公式不受序列长度的限制，也就是可以对比所遇到序列的更长的序列进行表示

源码阅读

主函数部分

确定了模型的输入部分，由两部分组成encoder的输入，decoder的输入
将token转换成id后以tensor形式传入模型

P代表填充码，S代表起始，E代表结束。对文本进行了id映射
模型参数初始化，选用交叉熵损失函数，Adam自适应学习率优化器

主模型定义

class Transformer(nn.Module):
    def __init__(self):
        super(Transformer, self).__init__()
        self.encoder = Encoder()
        self.decoder = Decoder()
        self.projection = nn.Linear(d_model, tgt_vocab_size, bias=False)

    def forward(self, enc_inputs, dec_inputs):
        enc_outputs, enc_self_attns = self.encoder(enc_inputs)
        dec_outputs, dec_self_attns, dec_enc_attns = self.decoder(dec_inputs, enc_inputs, enc_outputs)
        dec_logits = self.projection(dec_outputs) # dec_logits : [batch_size x src_vocab_size x tgt_vocab_size]
        return dec_logits.view(-1, dec_logits.size(-1)), enc_self_attns, dec_self_attns, dec_enc_attns

由编码器，解码器及全连接层组成
编码器输入 为1*5的张量，输出为1*5*512的张量（批量大小为1，文本长度为5，embedding向量维度为512），及注意力权重参数6*8*5*5
（6代表编码器中编码层的数量；8代表8头注意力，计算了8次，有8个子空间；5*5代表文本内部的相关性计算的结果）
解码器输入为编码器的输出及解码层输入文本
输出为注意力计算得出的结果（1*5*512），及解码器掩码自注意力权重参数及交互注意力权重参数
将解码器的输出作为全连接层的输入，通过全连接层将512维向量压缩成7维，对应翻译文本的长度(5*7)

编码器

class Encoder(nn.Module):
    def __init__(self):
        super(Encoder, self).__init__()
        # 词向量5*512
        self.src_emb = nn.Embedding(src_vocab_size, d_model)
        # 位置编码6*512
        self.pos_emb = nn.Embedding.from_pretrained(get_sinusoid_encoding_table(src_len+1, d_model), freeze=True)
        self.layers = nn.ModuleList([EncoderLayer() for _ in range(n_layers)])

    def forward(self, enc_inputs):  # enc_inputs : [batch_size x source_len] [1*5]
        enc_outputs = self.src_emb(enc_inputs) + self.pos_emb(torch.LongTensor([[1, 2, 3, 4, 0]]))
        enc_self_attn_mask = get_attn_pad_mask(enc_inputs, enc_inputs)
        enc_self_attns = []
        for layer in self.layers:
            enc_outputs, enc_self_attn = layer(enc_outputs, enc_self_attn_mask)
            enc_self_attns.append(enc_self_attn)
        return enc_outputs, enc_self_attns

定义词向量，位置向量，并将二者相加，传入编码层中迭代
位置向量由当前token所在文本中的位置计算得出

# n_position为文本长度，d_model为总向量维度
def get_sinusoid_encoding_table(n_position, d_model):
    def cal_angle(position, hid_idx):
        return position / np.power(10000, 2 * (hid_idx // 2) / d_model)
    def get_posi_angle_vec(position):
        return [cal_angle(position, hid_j) for hid_j in range(d_model)]

    # 6*512
    sinusoid_table = np.array([get_posi_angle_vec(pos_i) for pos_i in range(n_position)])
    sinusoid_table[:, 0::2] = np.sin(sinusoid_table[:, 0::2])  # dim 2i
    sinusoid_table[:, 1::2] = np.cos(sinusoid_table[:, 1::2])  # dim 2i+1
    return torch.FloatTensor(sinusoid_table)

编码层

由多头自注意力层，以及前向神经网络组成
QKV均来自编码层输入的embedding
此时输入输出均为1*5*512

class EncoderLayer(nn.Module):
    def __init__(self):
        super(EncoderLayer, self).__init__()
        self.enc_self_attn = MultiHeadAttention()
        self.pos_ffn = PoswiseFeedForwardNet()

    def forward(self, enc_inputs, enc_self_attn_mask):
        # enc_input: torch.Size([1, 5, 512])
        # enc_inputs to same Q,K,V
        enc_outputs, attn = self.enc_self_attn(enc_inputs, enc_inputs, enc_inputs, enc_self_attn_mask)
        enc_outputs = self.pos_ffn(enc_outputs)  # enc_outputs: [batch_size x len_q x d_model]
        # torch.Size([1, 5, 512])
        return enc_outputs, attn

多头自注意力层

class MultiHeadAttention(nn.Module):
    def __init__(self):
        super(MultiHeadAttention, self).__init__()
        self.W_Q = nn.Linear(d_model, d_k * n_heads)
        self.W_K = nn.Linear(d_model, d_k * n_heads)
        self.W_V = nn.Linear(d_model, d_v * n_heads)
        self.linear = nn.Linear(n_heads * d_v, d_model)
        self.layer_norm = nn.LayerNorm(d_model)

    def forward(self, Q, K, V, attn_mask):
        # q: [batch_size x len_q x d_model], k: [batch_size x len_k x d_model], v: [batch_size x len_k x d_model]
        # attn_mask: [1 x 5 x 5]
        residual, batch_size = Q, Q.size(0)
        # (B, S, D) -proj-> (B, S, D) -split-> (B, S, H, W) -trans-> (B, H, S, W)
        # torch.Size([1, 8, 5, 64])
        q_s = self.W_Q(Q).view(batch_size, -1, n_heads, d_k).transpose(1, 2)  # q_s: [batch_size x n_heads x len_q x d_k]
        k_s = self.W_K(K).view(batch_size, -1, n_heads, d_k).transpose(1, 2)  # k_s: [batch_size x n_heads x len_k x d_k]
        v_s = self.W_V(V).view(batch_size, -1, n_heads, d_v).transpose(1, 2)  # v_s: [batch_size x n_heads x len_k x d_v]
		# 将mask从1*5*5复制为1*8*5*5
        attn_mask = attn_mask.unsqueeze(1).repeat(1, n_heads, 1, 1) # attn_mask : [batch_size x n_heads x len_q x len_k]

        # context: [batch_size x n_heads x len_q x d_v], attn: [batch_size x n_heads x len_q(=len_k) x len_k(=len_q)]
        context, attn = ScaledDotProductAttention()(q_s, k_s, v_s, attn_mask)
        context = context.transpose(1, 2).contiguous().view(batch_size, -1, n_heads * d_v) # context: [batch_size x len_q x n_heads * d_v]
        output = self.linear(context)
        return self.layer_norm(output + residual), attn # output: [batch_size x len_q x d_model]

使用 $W_Q$ 矩阵与Embedding相乘时，本质是将 $W_Q$ 视为一个线性层，KV同理
多头计算的步骤是：先映射分头，再计算注意力权重

以上公式实现如下值得注意是，我们会找出文本序列中是padding的位置，并将其在`attn_mask`对应的位置上设置为True。接着在计算注意力，padding位置将被设置为负无穷，在经过softmax计算后结果基本为0，对当前单词的注意力计算就不会产生影响

class ScaledDotProductAttention(nn.Module):
    def __init__(self):
        super(ScaledDotProductAttention, self).__init__()

    def forward(self, Q, K, V, attn_mask):
        scores = torch.matmul(Q, K.transpose(-1, -2)) / np.sqrt(d_k)
        # padding负无穷
        scores.masked_fill_(attn_mask, -1e9) 
        attn = nn.Softmax(dim=-1)(scores)
        context = torch.matmul(attn, V)
        return context, attn

前馈神经网络层

在前向神经网络层中，使用一维卷积进行计算
原因在于当kernel_size=1，stride=1，padding=0时，与MLP的节点计算方式一样，变相实现了一个MLP
nn.Conv1d的输入数据格式只能以三维tensor[batch, channel, length]输入，与nn.Linear输入数据格式不同；
并且 nn.Conv1d的数据作用位置也不同，nn.Conv1d作用在第二个维度channel上，而nn.Linear作用于第三个维度

class PoswiseFeedForwardNet(nn.Module):
    def __init__(self):
        super(PoswiseFeedForwardNet, self).__init__()
        self.conv1 = nn.Conv1d(in_channels=d_model, out_channels=d_ff, kernel_size=1)
        self.conv2 = nn.Conv1d(in_channels=d_ff, out_channels=d_model, kernel_size=1)
        self.layer_norm = nn.LayerNorm(d_model)

    def forward(self, inputs):
        residual = inputs  # inputs : [batch_size, len_q, d_model]
        # nn.Conv1d作用于第2个维度，因此要交换位置
        output = nn.ReLU()(self.conv1(inputs.transpose(1, 2)))
        output = self.conv2(output).transpose(1, 2)
        return self.layer_norm(output + residual)

Masked

为解码层的自注意力加入掩码机制，使其无法查看当前及当前以后的序列

def get_attn_subsequent_mask(seq):
    attn_shape = [seq.size(0), seq.size(1), seq.size(1)]
    subsequent_mask = np.triu(np.ones(attn_shape), k=1)
    subsequent_mask = torch.from_numpy(subsequent_mask).byte()
    return subsequent_mask

解码器

class Decoder(nn.Module):
    def __init__(self):
        super(Decoder, self).__init__()
        # 7*512
        self.tgt_emb = nn.Embedding(tgt_vocab_size, d_model)
        self.pos_emb = nn.Embedding.from_pretrained(get_sinusoid_encoding_table(tgt_len+1, d_model), freeze=True)
        self.layers = nn.ModuleList([DecoderLayer() for _ in range(n_layers)])

    def forward(self, dec_inputs, enc_inputs, enc_outputs):  # dec_inputs : [batch_size x target_len]
        dec_outputs = self.tgt_emb(dec_inputs) + self.pos_emb(torch.LongTensor([[5, 1, 2, 3, 4]]))
        dec_self_attn_pad_mask = get_attn_pad_mask(dec_inputs, dec_inputs)
        dec_self_attn_subsequent_mask = get_attn_subsequent_mask(dec_inputs)
        # 将掩码转换为bool类型
        dec_self_attn_mask = torch.gt((dec_self_attn_pad_mask + dec_self_attn_subsequent_mask), 0)

        dec_enc_attn_mask = get_attn_pad_mask(dec_inputs, enc_inputs)

        dec_self_attns, dec_enc_attns = [], []
        for layer in self.layers:
            dec_outputs, dec_self_attn, dec_enc_attn = layer(dec_outputs, enc_outputs, dec_self_attn_mask, dec_enc_attn_mask)
            dec_self_attns.append(dec_self_attn)
            dec_enc_attns.append(dec_enc_attn)
        return dec_outputs, dec_self_attns, dec_enc_attns

解码层

定义了两层注意力，分别为自注意力和交互注意力
其中自注意力为masked
交互注意力中，Q来自decoder，KV来自encoder

class DecoderLayer(nn.Module):
    def __init__(self):
        super(DecoderLayer, self).__init__()
        self.dec_self_attn = MultiHeadAttention()
        self.dec_enc_attn = MultiHeadAttention()
        self.pos_ffn = PoswiseFeedForwardNet()

    def forward(self, dec_inputs, enc_outputs, dec_self_attn_mask, dec_enc_attn_mask):
        dec_outputs, dec_self_attn = self.dec_self_attn(dec_inputs, dec_inputs, dec_inputs, dec_self_attn_mask)
        dec_outputs, dec_enc_attn = self.dec_enc_attn(dec_outputs, enc_outputs, enc_outputs, dec_enc_attn_mask)
        dec_outputs = self.pos_ffn(dec_outputs)
        return dec_outputs, dec_self_attn, dec_enc_attn