Attention is All You Need

最新推荐文章于 2025-04-08 18:30:56 发布

挣脱惯性，换种人生

最新推荐文章于 2025-04-08 18:30:56 发布

阅读量472

点赞数

原文链接：http://nlp.seas.harvard.edu/2018/04/03/attention.html

版权

Attention is All You Need

在过去的一年里，“Attention is All You Need”已经成为许多人的想法。除了在翻译质量上做出重大改进之外，它还为许多其他NLP任务提供了一种新的架构。这篇论文本身写得非常清楚，但传统观点认为，正确地实施它是相当困难的。

1.背景

减少序列计算的目标也是扩展神经GPU、ByteNet和ConvS2S的基础，它们都使用卷积神经网络作为基本构建块，并行计算所有输入和输出位置的隐藏表示。在这些模型中，将来自两个任意输入或输出位置的信号联系起来所需的操作数量随着位置之间的距离增加，ConvS2S为线性增加，ByteNet为对数增加。这就使得了解距离较远的位置之间的依赖关系变得更加困难。在Transformer中，这被减少为一个恒定的操作次数，尽管代价是由于平均注意力加权位置而降低了有效分辨率，这是我们用多头注意力（Multi-Head Attention）抵消的效果。

自我注意，有时也称为内注意，是一种注意机制，将单个序列的不同位置联系起来，以计算序列的表示。自我注意已成功地应用于各种任务，包括阅读理解、摘要、文本蕴涵和学习独立于任务的句子表征。端到端记忆网络是基于循环注意机制，而不是顺序对齐的递归，并已被证明在简单语言问题回答和语言建模任务上表现良好。

然而，就我们所知，Transformer是第一个完全依赖自注意来计算输入和输出表示而不使用序列对齐的RNNs或卷积的转换模型。

2.模型框架

大多数竞争性神经序列转导模型都具有编解码结构[1]。这里，编码器映射符号表示的输入序列 $x_1, …, x_n)$ 到一个连续表示序列 $\mathbf{z} = (z_1, …, z_n)$ 。对于 $\mathbf{z}$ ，然后解码器生成一个输出序列 $y_1,…,y_m)$ 。在每一步，模型都是自回归的[2]，在生成下一个符号时，使用先前生成的符号作为附加输入。

class EncoderDecoder(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(EncoderDecoder, self).__init__()
        self.encoder = encoder
        self.decoder = decoder
        self.src_embed = src_embed
        self.tgt_embed = tgt_embed
        self.generator = generator
        
    def forward(self, src, tgt, src_mask, tgt_mask):
        "Take in and process masked src and target sequences."
        return 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)

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)

Transformer遵循这种总体架构，为编码器和解码器分别使用堆叠的自注意层和点式全连接层，如图所示：

在这里插入图片描述

3.编码器与解码器堆叠

编码器

编码器是由一叠 $N = 6$ 相同的层。

def clones(module, N):
    "Produce N identical layers."
    return nn.ModuleList([copy.deepcopy(module) for _ in range(N)])

class Encoder(nn.Module):
    "Core encoder is a stack of N layers"
    def __init__(self, layer, N):
        super(Encoder, 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)

我们在两个子层的每个层上使用一个残差连接[3]，然后是层规范化[4]。

class LayerNorm(nn.Module):
    "Construct a layernorm module."
    def __init__(self, features, eps=1e-6):
        super(LayerNorm, self).__init__()
        self.a_2 = nn.Parameter(torch.ones(features))
        self.b_2 = 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.a_2 * (x - mean) / (std + self.eps) + self.b_2

也就是说，每个子层输出的是 $\mathrm{LayerNorm}(x + \mathrm{Sublayer}(x))$ ，其中 $\mathrm{Sublayer}(x)$ 是子层本身实现的函数。在将dropout添加到子层输入并规范化之前，我们对每个子层的输出应用dropout[5]。
为了方便这些残差连接，模型中的所有子层以及嵌入层都会生成 $d_{\text{model}}=512$ 维度的输出。

class SublayerConnection(nn.Module):
    """
    A residual connection followed by a layer norm.
    Note for code simplicity the norm is first as opposed to last.
    """
    def __init__(self, size, dropout):
        super(SublayerConnection, self).__init__()
        self.norm = LayerNorm(size)
        self.dropout = nn.Dropout(dropout)

    def forward(self, x, sublayer):
        "Apply residual connection to any sublayer with the same size."
        return x + self.dropout(sublayer(self.norm(x)))

每个层有两个子层。第一个是一个多头自我注意机制，第二个是一个简单的，点式的全连接前馈网络。

class EncoderLayer(nn.Module):
    "Encoder is made up of self-attn and feed forward (defined below)"
    def __init__(self, size, self_attn, feed_forward, dropout):
        super(EncoderLayer, self).__init__()
        self.self_attn = self_attn
        self.feed_forward = feed_forward
        self.sublayer = clones(SublayerConnection(size, dropout), 2)
        self.size = size

    def forward(self, x, mask):
        "Follow Figure 1 (left) for connections."
        x = self.sublayer[0](x, lambda x: self.self_attn(x, x, x, mask))
        return self.sublayer[1](x, self.feed_forward)

解码器

译码器也由一叠 $N = 6$ 相同的层组成。

class Decoder(nn.Module):
    "Generic N layer decoder with masking."
    def __init__(self, layer, N):
        super(Decoder, 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)

除了每个编码器层中的两个子层之外，解码器还插入第三个子层，该子层对编码器堆栈的输出执行多头注意。与编码器类似，我们在每个子层周围使用残差连接，然后进行层规范化。

class DecoderLayer(nn.Module):
    "Decoder is made of self-attn, src-attn, and feed forward (defined below)"
    def __init__(self, size, self_attn, src_attn, feed_forward, dropout):
        super(DecoderLayer, self).__init__()
        self.size = size
        self.self_attn = self_attn
        self.src_attn = src_attn
        self.feed_forward = feed_forward
        self.sublayer = clones(SublayerConnection(size, dropout), 3)
 
    def forward(self, x, memory, src_mask, tgt_mask):
        "Follow Figure 1 (right) for connections."
        m = memory
        x = self.sublayer[0](x, lambda x: self.self_attn(x, x, x, tgt_mask))
        x = self.sublayer[1](x, lambda x: self.src_attn(x, m, m, src_mask))
        return self.sublayer[2](x, self.feed_forward)

我们还修改了解码器堆栈中的自注意子层，以防止位置注意到后续位置。这种屏蔽，加上输出嵌入被一个位置抵消，确保了对位置 $i$ 的预测只能依赖于小于 $i$ 位置的已知输出。

def subsequent_mask(size):
    "Mask out subsequent positions."
    attn_shape = (1, size, size)
    subsequent_mask = np.triu(np.ones(attn_shape), k=1).astype('uint8')
    return torch.from_numpy(subsequent_mask) == 0

4.Attention

注意力函数可以描述为将查询和一组键-值对映射到输出，其中查询、键、值和输出都是向量。输出以值的加权和的形式计算，其中分配给每个值的权重由查询与相应键的兼容函数计算。

我们把我们的特别关注称为Scaled Dot-Product Attention（规模点乘关注）。输入由维度 $d_k$ 的查询和键以及维度 $d_v$ 的值组成。我们计算查询与所有键的点积，每个键除以 $\sqrt{d_k}$ ，并应用softmax函数来获得值的权重。
在这里插入图片描述
在实践中，我们同时计算一组查询的注意力函数，这些查询被打包成一个矩阵 $Q$ 。键和值也被打包成矩阵 $K$ 和 $V$ 。我们计算输出矩阵为:

def attention(query, key, value, mask=None, dropout=None):
    "Compute 'Scaled Dot Product Attention'"
    d_k = query.size(-1)
    scores = torch.matmul(query, key.transpose(-2, -1)) \
             / math.sqrt(d_k)
    if mask is not None:
        scores = scores.masked_fill(mask == 0, -1e9)
    p_attn = F.softmax(scores, dim = -1)
    if dropout is not None:
        p_attn = dropout(p_attn)
    return torch.matmul(p_attn, value), p_attn

两种最常用的注意功能是加法注意[6]和点积注意(乘法)。点积注意与我们的算法相同，除了 $\frac{1}{\sqrt{d_k}}$ 的比例因子。加性注意是利用具有单一隐含层的前馈网络来计算兼容性函数的。虽然两者在理论复杂度上是相似的，但是点积注意在实践中更快、更节省空间，因为它可以使用高度优化的矩阵乘法代码来实现。

虽然对于 $d_k$ 的小值，这两种机制的性能类似，但是对于 $d_k$ 的大值，在没有缩放的情况下，加法注意优于点积注意[7]。我们怀疑对于 $d_k$ 的大值，点积的大小会增大，迫使将softmax函数推入具有极小梯度的区域(为了说明点积为什么变大，假设 $q$ 和 $k$ 的分量是独立的随机变量，平均值 $0$ 方差 $1$ ，那么它们的点积为 $\cdot k = \sum_{i=1}^{d_k} q_ik_i$ ，有均值 $0$ 和方差 $d_k$ 。

多头注意使模型能够在不同的表示子空间中，在不同的位置共同关注信息。如果只有一个注意力头，平均会抑制这种情况。

其中投影是参数矩阵 $W^Q_i \in \mathbb{R}^{d_{\text{model}} \times d_k}$ , $W^K_i \in \mathbb{R}^{d_{\text{model}} \times d_k}$ , $W^V_i \in \mathbb{R}^{d_{\text{model}} \times d_v}$ 和 $W^O \in \mathbb{R}^{hd_v \times d_{\text{model}}}$ 。在这项工作中，我们使用 $h = 8$ 平行注意层，或头。对于每一个，我们使用 $d_k=d_v=d_{\text{model}}/h=64$ 。由于每个头的维数降低，其总计算代价与全维单头注意的计算代价相似。

class MultiHeadedAttention(nn.Module):
    def __init__(self, h, d_model, dropout=0.1):
        "Take in model size and number of heads."
        super(MultiHeadedAttention, 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
        self.dropout = nn.Dropout(p=dropout)
        
    def forward(self, query, key, value, mask=None):
        "Implements Figure 2"
        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 = 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)

5.注意力机制在我们模型中的应用

Transformer采用了三种不同的多头注意方式：

在“Encoder-Decoder Attention”层中，查询来自前一解码器层，存储密钥和值来自编码器的输出。这允许解码器中的每个位置都参与输入序列中的所有位置。这模仿了序列到序列模型中典型的编码器-解码器注意机制，如[8]。
编码器包含自我注意层。在自注意层中，所有的键、值和查询都来自相同的位置，在本例中是编码器中前一层的输出。所述编码器中的每个位置都可以顾及所述编码器的前一层中的所有位置。
同样，解码器中的自我注意层允许解码器中的每个位置关注解码器中的所有位置，直到并包括该位置。为了保持解码器的自回归特性，我们需要防止在译码器中出现左向信息流。我们通过屏蔽(设置为 $-\infty$ ) softmax中所有对应于非法连接的输入值来实现缩放点乘注意。

6.Position-wise前馈网络

除了注意子层之外，我们的编码器和解码器的每一层都包含一个完全连接的前馈网络，它分别相同地应用于每一个位置。这包括两个线性转换，中间有一个ReLU激活。

虽然不同位置的线性变换是相同的，但它们使用不同的参数从一层到另一层。另一种描述它的方法是内核大小为1的两个卷积。输入和输出的维度为 $d_{\text{model}}=512$ ，内层的维度为 $d_{ff}=2048$ 。

class PositionwiseFeedForward(nn.Module):
    "Implements FFN equation."
    def __init__(self, d_model, d_ff, dropout=0.1):
        super(PositionwiseFeedForward, self).__init__()
        self.w_1 = nn.Linear(d_model, d_ff)
        self.w_2 = nn.Linear(d_ff, d_model)
        self.dropout = nn.Dropout(dropout)

    def forward(self, x):
        return self.w_2(self.dropout(F.relu(self.w_1(x))))

7.Embeddings 和 Softmax

与其他序列转换模型类似，我们使用学习过的嵌入将输入标记和输出标记转换为维度 $d_{\text{model}}$ 的向量。我们也使用一般学习的线性变换和softmax函数将解码器的输出转换为预测的下一个令牌概率。在我们的模型中，我们在两个嵌入层和pre-softmax线性变换之间共享相同的权重矩阵，类似于[9]。在嵌入层中，我们将这些权重乘以 $\sqrt{d_{\text{model}}}$ 。

class Embeddings(nn.Module):
    def __init__(self, d_model, vocab):
        super(Embeddings, self).__init__()
        self.lut = nn.Embedding(vocab, d_model)
        self.d_model = d_model

    def forward(self, x):
        return self.lut(x) * math.sqrt(self.d_model)

8.Positional Encoding

由于我们的模型不包含递归和卷积，为了让模型利用序列的顺序，我们必须注入一些关于序列中记号的相对或绝对位置的信息。为此，我们在编码器和解码器堆栈底部的输入嵌入中添加了“位置编码”。位置编码与嵌入具有相同的维度 $d_{\text{model}}$ ，因此可以对两者进行求和。位置编码有很多选择，学习的和固定的[10]。

在这项工作中，我们使用不同频率的正弦和余弦函数: $PE_{\text{(pos, 2i)}}=sin(pos/10000^{2i/d_{\text{model}}})$ , $PE_{\text{(pos, 2i+1)}}=cos(pos/10000^{2i/d_{\text{model}}})$ 其中 $p o s$ 表示位置， $i$ 表示维度。也就是说，位置编码的每一维对应一个正弦信号。波长形成一个从 $2\pi$ 到 $10000*2\pi$ 的几何级数。我们选择这个函数是因为我们假设它可以让模型很容易地学会通过相对位置参与，因为对于任何固定偏移 $k$ ， $PE_{pos+k}$ 可以表示为一个 $PE_{pos}$ 的线性函数。

此外，我们将dropout应用于编码器和解码器堆栈中的嵌入和位置编码的总和。对于基本模型，我们使用的比率为 $P_{\text{drop}}=0.1$ .

class PositionalEncoding(nn.Module):
    "Implement the PE function."
    def __init__(self, d_model, dropout, max_len=5000):
        super(PositionalEncoding, 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 + Variable(self.pe[:, :x.size(1)], 
                         requires_grad=False)
        return self.dropout(x)

我们还尝试使用学习过的位置嵌入[11]代替，并发现这两个版本产生了几乎相同的结果。我们选择了正弦版本，因为它允许模型推断序列的长度比训练中遇到的长度更长。

9.全模型

这里我们定义了一个接受超参数并生成完整模型的函数。

def make_model(src_vocab, tgt_vocab, N=6, 
               d_model=512, d_ff=2048, h=8, dropout=0.1):
    "Helper: Construct a model from hyperparameters."
    c = copy.deepcopy
    attn = MultiHeadedAttention(h, d_model)
    ff = PositionwiseFeedForward(d_model, d_ff, dropout)
    position = PositionalEncoding(d_model, dropout)
    model = EncoderDecoder(
        Encoder(EncoderLayer(d_model, c(attn), c(ff), dropout), N),
        Decoder(DecoderLayer(d_model, c(attn), c(attn), 
                             c(ff), dropout), N),
        nn.Sequential(Embeddings(d_model, src_vocab), c(position)),
        nn.Sequential(Embeddings(d_model, tgt_vocab), c(position)),
        Generator(d_model, tgt_vocab))
    
    # This was important from their code. 
    # Initialize parameters with Glorot / fan_avg.
    for p in model.parameters():
        if p.dim() > 1:
            nn.init.xavier_uniform(p)
    return model

# Small example model.
tmp_model = make_model(10, 10, 2)
None

10.Training

本节描述了我们模型的培训机制。

我们简要地介绍了一些训练标准编码器解码器模型所需的工具。首先，我们定义一个批处理对象，用于保存src和用于训练的目标句子，以及构造掩码。
Batches and Masking

class Batch:
    "Object for holding a batch of data with mask during training."
    def __init__(self, src, trg=None, pad=0):
        self.src = src
        self.src_mask = (src != pad).unsqueeze(-2)
        if trg is not None:
            self.trg = trg[:, :-1]
            self.trg_y = trg[:, 1:]
            self.trg_mask = \
                self.make_std_mask(self.trg, pad)
            self.ntokens = (self.trg_y != pad).data.sum()
    
    @staticmethod
    def make_std_mask(tgt, pad):
        "Create a mask to hide padding and future words."
        tgt_mask = (tgt != pad).unsqueeze(-2)
        tgt_mask = tgt_mask & Variable(
            subsequent_mask(tgt.size(-1)).type_as(tgt_mask.data))
        return tgt_mask

接下来，我们创建一个通用的训练和评分函数来跟踪损失。我们传入一个通用的损失计算函数，它也处理参数更新。
Training Loop

def run_epoch(data_iter, model, loss_compute):
    "Standard Training and Logging Function"
    start = time.time()
    total_tokens = 0
    total_loss = 0
    tokens = 0
    for i, batch in enumerate(data_iter):
        out = model.forward(batch.src, batch.trg, 
                            batch.src_mask, batch.trg_mask)
        loss = loss_compute(out, batch.trg_y, batch.ntokens)
        total_loss += loss
        total_tokens += batch.ntokens
        tokens += batch.ntokens
        if i % 50 == 1:
            elapsed = time.time() - start
            print("Epoch Step: %d Loss: %f Tokens per Sec: %f" %
                    (i, loss / batch.ntokens, tokens / elapsed))
            start = time.time()
            tokens = 0
    return total_loss / total_tokens

11.Training Data and Batching

我们使用标准的WMT 2014英-德数据集进行训练，该数据集包含大约450万句对。句子使用字节对编码，它有一个共享的约37000个标记的源-目标词汇表。对于英语-法语，我们使用了规模大得多的WMT 2014英语-法语数据集，该数据集包含3600万个句子，并将标记拆分为32000个单词块词汇表。

我们将使用torch文本批量。下面将对此进行更详细的讨论。这里，我们在torchtext函数中创建批处理，以确保批处理大小填充到最大批处理大小不会超过阈值(如果有8个gpu，则为25000)。

global max_src_in_batch, max_tgt_in_batch
def batch_size_fn(new, count, sofar):
    "Keep augmenting batch and calculate total number of tokens + padding."
    global max_src_in_batch, max_tgt_in_batch
    if count == 1:
        max_src_in_batch = 0
        max_tgt_in_batch = 0
    max_src_in_batch = max(max_src_in_batch,  len(new.src))
    max_tgt_in_batch = max(max_tgt_in_batch,  len(new.trg) + 2)
    src_elements = count * max_src_in_batch
    tgt_elements = count * max_tgt_in_batch
    return max(src_elements, tgt_elements)

12.Hardware and Schedule

我们在一台拥有8个NVIDIA P100 gpu的机器上训练我们的模型。对于使用本文中描述的超参数的基本模型，每个训练步骤大约花费0.4秒。我们总共训练了100,000步或12小时的基本模型。对于我们的大型模型，步长是1.0秒。大模型训练了30万步(3.5天)。

13.Optimizer

我们使用Adam优化器[12]， $\beta_1=0.9$ ， $\beta_2=0.98$ ， $\epsilon=10^{-9}$ 。根据公式，我们在训练过程中改变了学习率: $d_{\text{model}}^{-0.5} \cdot \min({step\_num}^{-0.5}, {step\_num} \cdot {warmup\_steps}^{-1.5})$
这相当于线性地增加第一个 $warmup\_steps$ 训练步骤的学习率，然后按比例减少到步数的平方根的倒数。我们使用 $warmup\_steps=4000$ .

这部分非常重要，需要对这个模型的设置进行训练。

class NoamOpt:
    "Optim wrapper that implements rate."
    def __init__(self, model_size, factor, warmup, optimizer):
        self.optimizer = optimizer
        self._step = 0
        self.warmup = warmup
        self.factor = factor
        self.model_size = model_size
        self._rate = 0
        
    def step(self):
        "Update parameters and rate"
        self._step += 1
        rate = self.rate()
        for p in self.optimizer.param_groups:
            p['lr'] = rate
        self._rate = rate
        self.optimizer.step()
        
    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 ** (-0.5), step * self.warmup ** (-1.5)))
        
def get_std_opt(model):
    return NoamOpt(model.src_embed[0].d_model, 2, 4000,
            torch.optim.Adam(model.parameters(), lr=0, betas=(0.9, 0.98), eps=1e-9))

该模型的曲线的例子，为不同的模型大小和优化超参数。

# Three settings of the lrate hyperparameters.
opts = [NoamOpt(512, 1, 4000, None), 
        NoamOpt(512, 1, 8000, None),
        NoamOpt(256, 1, 4000, None)]
plt.plot(np.arange(1, 20000), [[opt.rate(i) for opt in opts] for i in range(1, 20000)])
plt.legend(["512:4000", "512:8000", "256:4000"])
None

14.Regularization

Label Smoothing
在培训期间，我们使用 $\epsilon_{ls}=0.1$ 的标签平滑[13]。这损害了复杂性，因为模型学会了更不确定，但提高了准确性和BLEU得分。

我们使用KL div loss实现了标签平滑。与使用独热点目标分布不同，我们创建了一个分布，它对正确的单词有confidence，其余的 smoothing大量分布在整个词汇表中。

class LabelSmoothing(nn.Module):
    "Implement label smoothing."
    def __init__(self, size, padding_idx, smoothing=0.0):
        super(LabelSmoothing, self).__init__()
        self.criterion = nn.KLDivLoss(size_average=False)
        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))
        true_dist.scatter_(1, target.data.unsqueeze(1), self.confidence)
        true_dist[:, self.padding_idx] = 0
        mask = torch.nonzero(target.data == self.padding_idx)
        if mask.dim() > 0:
            true_dist.index_fill_(0, mask.squeeze(), 0.0)
        self.true_dist = true_dist
        return self.criterion(x, Variable(true_dist, requires_grad=False))

这里我们可以看到一个例子，质量是如何分配到字词基于信心。

#Example of label smoothing.
crit = LabelSmoothing(5, 0, 0.4)
predict = torch.FloatTensor([[0, 0.2, 0.7, 0.1, 0],
                             [0, 0.2, 0.7, 0.1, 0], 
                             [0, 0.2, 0.7, 0.1, 0]])
v = crit(Variable(predict.log()), 
         Variable(torch.LongTensor([2, 1, 0])))

# Show the target distributions expected by the system.
plt.imshow(crit.true_dist)
None

标签平滑实际上开始惩罚模型，如果它对给定的选择非常自信。

crit = LabelSmoothing(5, 0, 0.1)
def loss(x):
    d = x + 3 * 1
    predict = torch.FloatTensor([[0, x / d, 1 / d, 1 / d, 1 / d],
                                 ])
    #print(predict)
    return crit(Variable(predict.log()),
                 Variable(torch.LongTensor([1]))).data[0]
plt.plot(np.arange(1, 100), [loss(x) for x in range(1, 100)])
None