【论文阅读】Transformer——Attention Is All You Need
文章目录
-
-
- 论文阅读
-
- 模型架构
- 代码合集
-
- utils.py
- model.py
- train.py
- test.py
-
论文阅读
因为本人算是半个CV人，没有NLP的基础，这篇文章和代码也只是浅尝辄止,下载了大佬的代码跑了跑，看了看model中文件就结束了，有错误希望指出
感谢知乎上的一个大神
知乎大神代码链接
Attention Is All You Need原文地址
文章提出了一个简单的架构Transformer，没有使用RNN和卷积，只是使用了注意力机制，可以并行计算，训练时间很短。
model architecture：
模型架构
编码器：
Encoder部分主要是有N=6个方框中的block堆叠起来的，每一个block有两部分构成，一个是multi_Head Attention，另一个是前馈神经网络(两个全连接中有一个Relu)，在两个部分中都使用残差网络和Layer Norm(BN是对所有Batch相同位置做归一化，LN是对一个样本中的所有位置做归一化)来进行最后处理
解码器：
Decoder部分，同样是由N=6个方框中的Block堆叠起来的，每个block有三部分，multi_Head Attention、Maked Multi-Head Attention（后面详谈）、Feed Forward，每个部分中都使用残差网络和Layer Norm(BN是对所有Batch相同位置做归一化，LN是对一个样本中的所有位置做归一化)来进行最后处理
注意力机制：
一般的注意力可以抽象为输入一个查询（query），去查询键值对（key-value pair）中的key，然后得到一个概率分布，再据此对value进行加权相加，获取当前query下的注意力表征。而我们的query，往往是Decoder中某一个step的输出，key-value pair往往是encoder的输出。
论文里面使用的也是这种attention机制，只不过其query、key、value都是由encoder的输出经过不同的变换而来，也即self-attention，所有的东西都是自己。也就是Self-Attention中的QKV都是由同一个输入通过三个不同的Linear得到的结果。
他们定义了一种叫“Scaled Dot-Product Attention”的计算方式，用于计算给定query、key和value下的注意力表征，如下图所示：
论文中使用的是最简单的乘Attention，也就是使用点积来判断QK的相近成都，这里与之不同的地方是，除了一个缩放因子，因为当dk比较小的时候，不加缩放与之类似，但是当dk比较大的时候，内积的量级会增加，导致softmax函数被推向梯度较小的区域
论文里还指出，使用单个注意力计算太过单薄，所以使用了多头注意力机制，分出来多个不同空间中的QKV，类似于CNN中多个卷积核得到图像中不同语义信息。
注意力机制的使用：
encoder中的自注意力机制，所有的QK V都是来源于同一个输入，也就是前面的输出或者是embedding的词向量通过三个线性运算得到的结果
decoder中的自注意力机制，有的QK V是都来源于前面的layer输出，通过三个线性运算的结果。有一个位置的QK 来源于encoder的输出，V来源于前面的layer输出
decoder中的masked self -attention 中的QK点积结果要做一个position的mask，防止当前pos可以获取到后面pos的信息
前馈网络：
这里的前馈网络就是两个线性层中间加一个Relu函数，公式如下
add&norm:
在整体架构图中，还有一个部分是add&norm，这其实是借鉴了图像中的残差思想。在self-attention和feed forward计算之后都会加上一个残差变换，同时也会加上Layer Normalization
Posiontional Encoding:
因为没有使用Conv、RNN，没有相应的时序关系，但是Seq必须要用到对应的时序关系，所以文章对输入的embeddings add了一个positional Encoding代表相应的位置
positional encodings与embeddings有相同的维度
pos信息+字向量得到输入矩阵a
使用的公式如下：
pos指的是一个batch中的第几个字，i指的是第pos个字向量中第i个索引位置，dmodel指的是字向量的维度(也就是每个字embedding到字向量的最大长度，代码中取的512)
代码合集
utils.py
import torch
import torch.utils.data as Data
# Encoder_input Decoder_input Decoder_output
sentences = [['我 是 学 生 P', 'S I am a student', 'I am a student E'], # S: 开始符号
['我 喜 欢 学 习', 'S I like learning P', 'I like learning P E'], # E: 结束符号
['我 是 男 生 P', 'S I am a boy', 'I am a boy E']] # P: 占位符号，如果当前句子不足固定长度用P占位
src_vocab = {'P': 0, '我': 1, '是': 2, '学': 3, '生': 4, '喜': 5, '欢': 6, '习': 7, '男': 8} # 词源字典 字：索引
src_idx2word = {src_vocab[key]: key for key in src_vocab}
src_vocab_size = len(src_vocab) # 字典字的个数
tgt_vocab = {'P': 0, 'S': 1, 'E': 2, 'I': 3, 'am': 4, 'a': 5, 'student': 6, 'like': 7, 'learning': 8, 'boy': 9}
idx2word = {tgt_vocab[key]: key for key in tgt_vocab} # 把目标字典转换成 索引：字的形式
tgt_vocab_size = len(tgt_vocab) # 目标字典尺寸
src_len = len(sentences[0][0].split(" ")) # Encoder输入的最大长度
tgt_len = len(sentences[0][1].split(" ")) # Decoder输入输出最大长度
# 把sentences 转换成src_vocab对应的字典索引
def make_data():
enc_inputs, dec_inputs, dec_outputs = [], [], []
for i in range(len(sentences)):
enc_input = [[src_vocab[n] for n in sentences[i][0].split()]]
dec_input = [[tgt_vocab[n] for n in sentences[i][1].split()]]
dec_output = [[tgt_vocab[n] for n in sentences[i][2].split()]]
enc_inputs.extend(enc_input)
dec_inputs.extend(dec_input)
dec_outputs.extend(dec_output)
return torch.LongTensor(enc_inputs), torch.LongTensor(dec_inputs), torch.LongTensor(dec_outputs)
# 自定义数据集函数
class MyDataSet(Data.Dataset):
def __init__(self, enc_inputs, dec_inputs, dec_outputs):
super(MyDataSet, self).__init__()
self.enc_inputs = enc_inputs
self.dec_inputs = dec_inputs
self.dec_outputs = dec_outputs
def __len__(self):
return self.enc_inputs.shape[0]
def __getitem__(self, idx):
return self.enc_inputs[idx], self.dec_inputs[idx], self.dec_outputs[idx]
model.py
import numpy as np
from torch import Tensor
import torch.nn as nn
from utils import *
d_model = 512 # 字 Embedding 的维度
d_ff = 2048 # 前向传播隐藏层维度
d_k = d_v = 64 # K(=Q), V的维度
n_layers = 6 # 有多少个encoder和decoder
n_heads = 8 # Multi-Head Attention设置为8
class PositionalEncoding(nn.Module):
def __init__(self, d_model, dropout=0.1, max_len=5000):
super(PositionalEncoding, self).__init__()
self.dropout = nn.Dropout(p=dropout)
pos_table = np.array([ # 每次pos的字向量都需要从0-d_model-1计算所有的值
[pos / np.power(10000, 2 * i / d_model) for i in range(d_model)]
if pos != 0 else np.zeros(d_model) for pos in range(max_len)
])
# 字嵌入维度为偶数时,从0 开始，step=2，为偶数
pos_table[1:, 0::2] = np.sin(pos_table[1:, 0::2])
# 字嵌入维度为奇数时，从1开始，step=2，为奇数
pos_table[1:, 1::2] = np.cos(pos_table[1:, 1::2])
# enc_inputs: [seq_len, d_model]
self.pos_table = torch.FloatTensor(pos_table).cuda()
# 这里使用到了广播机制，可以看forward里面的size
# 广播机制：
# 1、如果x和y的维度数量不同，对维度数量少的张量增加新的维度，且维度大小为1，使得两个张量的维度数量相同
# 2、对每个维度，结果的维度大小是x和y的维度大小的最大值。（其实如果某个维度大小不同，那么有一个维度大小肯定是1）
# 广播条件：
# 1、每个张量都至少有一个维度
# 2、对两个张量的维度从后往前处理，维度的大小（这个维度的长度）必须要么相等，要么其中一个为1，或者其中一个张量后面不存在维度了
def forward(self, enc_inputs):
# enc_inputs: [batch_size, seq_len, d_model]
# self.pos_table:[max_len,d_model]
# self.pos_talbe[:enc_inputs.size(1),:]:[seq_len,d_model]，索引切片一下后面两个维度与enc_inputs相同了就
enc_inputs += self.pos_table[:enc_inputs.size(1), :]
return self.dropout(enc_inputs.cuda())
# seq_q: [batch_size, seq_len] ,seq_k: [batch_size, seq_len]
def get_attn_pad_mask(seq_q, seq_k):
batch_size, len_q = seq_q.size()
batch_size, len_k = seq_k.size()
# 判断 输入那些含有P(=0),用1标记 ,[batch_size, 1, len_k]
pad_attn_mask = seq_k.data.eq(0).unsqueeze(1)
return pad_attn_mask.expand(batch_size, len_q, len_k) # 扩展成多维度
# seq: [batch_size, tgt_len]
def get_attn_subsequence_mask(seq):
attn_shape = [seq.size(0), seq.size(1), seq.size(1)]
# 生成上三角矩阵,[batch_size, tgt_len, tgt_len]
subsequence_mask = np.triu(np.ones(attn_shape), k=1)
# [batch_size, tgt_len, tgt_len]
subsequence_mask = torch.from_numpy(subsequence_mask).byte()
return subsequence_mask
class ScaledDotProductAttention(nn.Module):
def __init__(self):
super(ScaledDotProductAttention, self).__init__()
# Q: [batch_size, n_heads, len_q, d_k]
def forward(self, Q, K, V, attn_mask):
# K: [batch_size, n_heads, len_k, d_k]
# V: [batch_size, n_heads, len_v(=len_k), d_v]
# attn_mask: [batch_size, n_heads, seq_len, seq_len]
# scores : [batch_size, n_heads, len_q, len_k]
scores = torch.matmul(Q, K.transpose(-1, -2)) / np.sqrt(d_k)
# 如果时停用词P就等于 0
scores.masked_fill_(attn_mask, -1e9)
attn = nn.Softmax(dim=-1)(scores)
# [batch_size, n_heads, len_q, d_v]
context = torch.matmul(attn, V)
return context, attn
class MultiHeadAttention(nn.Module):
def __init__(self):
super(MultiHeadAttention, self).__init__()
self.W_Q = nn.Linear(d_model, d_k * n_heads, bias=False)
self.W_K = nn.Linear(d_model, d_k * n_heads, bias=False)
self.W_V = nn.Linear(d_model, d_v * n_heads, bias=False)
self.fc = nn.Linear(n_heads * d_v, d_model, bias=False)
# input_Q: [batch_size, len_q, d_model]
def forward(self, input_Q, input_K, input_V, attn_mask):
# input_K: [batch_size, len_k, d_model]
# input_V: [batch_size, len_v(=len_k), d_model]
# attn_mask: [batch_size, seq_len, seq_len]
residual, batch_size = input_Q, input_Q.size(0)
# Q: [batch_size, n_heads, len_q, d_k]
Q = self.W_Q(input_Q).view(batch_size, -1,
n_heads, d_k).transpose(1, 2)
# K: [batch_size, n_heads, len_k, d_k]
K = self.W_K(input_K).view(batch_size, -1,
n_heads, d_k).transpose(1, 2)
# V: [batch_size, n_heads, len_v(=len_k), d_v]
V = self.W_V(input_V).view(batch_size, -1,
n_heads, d_v).transpose(1, 2)
# attn_mask : [batch_size, n_heads, seq_len, seq_len]
attn_mask = attn_mask.unsqueeze(1).repeat(1, n_heads, 1, 1)
# context: [batch_size, n_heads, len_q, d_v]
context, attn = ScaledDotProductAttention()(Q, K, V, attn_mask)
# attn: [batch_size, n_heads, len_q, len_k]
context = context.transpose(1, 2).reshape(batch_size, -1,
n_heads * d_v) # context: [batch_size, len_q, n_heads * d_v]
# [batch_size, len_q, d_model]
output = self.fc(context)
return nn.LayerNorm(d_model).cuda()(output + residual), attn
class PoswiseFeedForwardNet(nn.Module):
def __init__(self):
super(PoswiseFeedForwardNet, self).__init__()
self.fc = nn.Sequential(
nn.Linear(d_model, d_ff, bias=False),
nn.ReLU(),
nn.Linear(d_ff, d_model, bias=False))
# inputs: [batch_size, seq_len, d_model]
def forward(self, inputs: Tensor) -> Tensor:
residual = inputs
output = self.fc(inputs)
# [batch_size, seq_len, d_model]
return nn.LayerNorm(d_model).cuda()(output + residual)
class EncoderLayer(nn.Module):
def __init__(self):
super(EncoderLayer, self).__init__()
self.enc_self_attn = MultiHeadAttention() # 多头注意力机制
self.pos_ffn = PoswiseFeedForwardNet() # 前馈神经网络
# enc_inputs: [batch_size, src_len, d_model]
def forward(self, enc_inputs, enc_self_attn_mask):
# 输入3个enc_inputs分别与W_q、W_k、W_v相乘得到Q、K、V # enc_self_attn_mask: [batch_size, src_len, src_len]
enc_outputs, attn = self.enc_self_attn(enc_inputs, enc_inputs, enc_inputs,
# enc_outputs: [batch_size, src_len, d_model],
enc_self_attn_mask) # attn: [batch_size, n_heads, src_len, src_len]
# enc_outputs: [batch_size, src_len, d_model]
enc_outputs = self.pos_ffn(enc_outputs)
return enc_outputs, attn
class Encoder(nn.Module):
def __init__(self):
super(Encoder, self).__init__()
self.src_emb = nn.Embedding(
src_vocab_size, d_model) # 把字转换字向量
self.pos_emb = PositionalEncoding(
d_model) # 加入位置信息
self.layers = nn.ModuleList([EncoderLayer() for _ in range(n_layers)])
# enc_inputs: [batch_size, src_len]
def forward(self, enc_inputs):
# enc_outputs: [batch_size, src_len, d_model]
enc_outputs = self.src_emb(enc_inputs)
# enc_outputs: [batch_size, src_len, d_model]
enc_outputs = self.pos_emb(enc_outputs)
# enc_self_attn_mask: [batch_size, src_len, src_len]
enc_self_attn_mask = get_attn_pad_mask(enc_inputs, enc_inputs)
enc_self_attns = []
for layer in self.layers:
# enc_outputs : [batch_size, src_len, d_model],
enc_outputs, enc_self_attn = layer(enc_outputs, enc_self_attn_mask)
# enc_self_attn : [batch_size, n_heads, src_len, src_len]
enc_self_attns.append(enc_self_attn)
return enc_outputs, enc_self_attns
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_inputs: [batch_size, tgt_len, d_model]
# enc_outputs: [batch_size, src_len, d_model]
# dec_self_attn_mask: [batch_size, tgt_len, tgt_len]
# dec_enc_attn_mask: [batch_size, tgt_len, src_len]
dec_outputs, dec_self_attn = self.dec_self_attn(dec_inputs, dec_inputs,
dec_inputs,
dec_self_attn_mask) # dec_outputs: [batch_size, tgt_len, d_model]
# dec_self_attn: [batch_size, n_heads, tgt_len, tgt_len]
dec_outputs, dec_enc_attn = self.dec_enc_attn(dec_outputs, enc_outputs,
enc_outputs,
dec_enc_attn_mask) # dec_outputs: [batch_size, tgt_len, d_model]
# dec_enc_attn: [batch_size, h_heads, tgt_len, src_len]
# dec_outputs: [batch_size, tgt_len, d_model]
dec_outputs = self.pos_ffn(dec_outputs)
return dec_outputs, dec_self_attn, dec_enc_attn
class Decoder(nn.Module):
def __init__(self):
super(Decoder, self).__init__()
self.tgt_emb = nn.Embedding(tgt_vocab_size, d_model)
self.pos_emb = PositionalEncoding(d_model)
self.layers = nn.ModuleList([DecoderLayer() for _ in range(n_layers)])
# dec_inputs: [batch_size, tgt_len]
def forward(self, dec_inputs, enc_inputs, enc_outputs):
# enc_intpus: [batch_size, src_len]
# enc_outputs: [batsh_size, src_len, d_model]
# [batch_size, tgt_len, d_model]
dec_outputs = self.tgt_emb(dec_inputs)
# [batch_size, tgt_len, d_model]
dec_outputs = self.pos_emb(dec_outputs).cuda()
dec_self_attn_pad_mask = get_attn_pad_mask(
dec_inputs, dec_inputs).cuda() # [batch_size, tgt_len, tgt_len]
dec_self_attn_subsequence_mask = get_attn_subsequence_mask(
dec_inputs).cuda() # [batch_size, tgt_len, tgt_len]
dec_self_attn_mask = torch.gt((dec_self_attn_pad_mask +
dec_self_attn_subsequence_mask), 0).cuda() # [batch_size, tgt_len, tgt_len]
# [batc_size, tgt_len, src_len]
dec_enc_attn_mask = get_attn_pad_mask(dec_inputs, enc_inputs)
dec_self_attns, dec_enc_attns = [], []
# dec_outputs: [batch_size, tgt_len, d_model]
for layer in self.layers:
# dec_self_attn: [batch_size, n_heads, tgt_len, tgt_len]
# dec_enc_attn: [batch_size, h_heads, tgt_len, src_len]
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
class Transformer(nn.Module):
def __init__(self):
super(Transformer, self).__init__()
self.Encoder = Encoder().cuda()
self.Decoder = Decoder().cuda()
self.projection = nn.Linear(d_model, tgt_vocab_size, bias=False).cuda()
# enc_inputs: [batch_size, src_len]
def forward(self, enc_inputs, dec_inputs):
# dec_inputs: [batch_size, tgt_len]
# enc_outputs: [batch_size, src_len, d_model],
enc_outputs, enc_self_attns = self.Encoder(enc_inputs)
# enc_self_attns: [n_layers, batch_size, n_heads, src_len, src_len]
dec_outputs, dec_self_attns, dec_enc_attns = self.Decoder(
dec_inputs, enc_inputs, enc_outputs) # dec_outpus : [batch_size, tgt_len, d_model],
# dec_self_attns: [n_layers, batch_size, n_heads, tgt_len, tgt_len],
# dec_enc_attn : [n_layers, batch_size, tgt_len, src_len]
# dec_logits: [batch_size, tgt_len, tgt_vocab_size]
dec_logits = self.projection(dec_outputs)
return dec_logits.view(-1, dec_logits.size(-1)), enc_self_attns, dec_self_attns, dec_enc_attns
train.py
import argparse
import torch.nn as nn
import torch.optim as optim
from utils import *
from model import Transformer
def main(args):
print(args)
device = torch.device(args.device if torch.cuda.is_available() else "cpu")
print("using {} device.".format(device))
enc_inputs, dec_inputs, dec_outputs = make_data()
dataset = MyDataSet(enc_inputs, dec_inputs, dec_outputs)
loader = Data.DataLoader(dataset, batch_size=args.batch_size, shuffle=True)
print(len(loader))
model = Transformer().to(device)
criterion = nn.CrossEntropyLoss(ignore_index=0) # 忽略 占位符 索引为0.
optimizer = optim.SGD(model.parameters(), lr=args.lr, momentum=0.99)
for epoch in range(50):
# enc_inputs : [batch_size, src_len]
for enc_inputs, dec_inputs, dec_outputs in loader:
# dec_inputs : [batch_size, tgt_len]
# dec_outputs: [batch_size, tgt_len]
enc_inputs, dec_inputs, dec_outputs = enc_inputs.to(
device), dec_inputs.to(device), dec_outputs.to(device)
outputs, enc_self_attns, dec_self_attns, dec_enc_attns = model(
enc_inputs, dec_inputs)
# outputs: [batch_size * tgt_len, tgt_vocab_size]
loss = criterion(outputs, dec_outputs.view(-1))
print('Epoch:', '%04d' % (epoch + 1),
'loss =', '{:.6f}'.format(loss))
optimizer.zero_grad()
loss.backward()
optimizer.step()
torch.save(model, args.save_path)
print("保存模型")
if __name__ == "__main__":
parser = argparse.ArgumentParser()
parser.add_argument('--batch_size', type=int, default=2)
parser.add_argument('--device', default='cuda:0')
parser.add_argument('--lr', type=float, default=1e-3)
parser.add_argument('--save_path', type=str, default='./model.pth')
opt = parser.parse_args()
main(opt)
test.py
from utils import *
def test(model, enc_input, start_symbol):
enc_outputs, enc_self_attns = model.Encoder(enc_input)
dec_input = torch.zeros(1, tgt_len).type_as(enc_input.data)
next_symbol = start_symbol
for i in range(0, tgt_len):
dec_input[0][i] = next_symbol
dec_outputs, _, _ = model.Decoder(dec_input, enc_input, enc_outputs)
projected = model.projection(dec_outputs)
prob = projected.squeeze(0).max(dim=-1, keepdim=False)[1]
next_word = prob.data[i]
next_symbol = next_word.item()
return dec_input
enc_inputs, dec_inputs, dec_outputs = make_data()
loader = Data.DataLoader(MyDataSet(enc_inputs, dec_inputs, dec_outputs), 2, True)
enc_inputs, _, _ = next(iter(loader))
model = torch.load('model.pth')
predict_dec_input = test(model, enc_inputs[0].view(1, -1).cuda(), start_symbol=tgt_vocab["S"])
predict, _, _, _ = model(enc_inputs[0].view(1, -1).cuda(), predict_dec_input)
predict = predict.data.max(1, keepdim=True)[1]
print([src_idx2word[int(i)] for i in enc_inputs[0]], '->',
[idx2word[n.item()] for n in predict.squeeze()])