python 大模型生成任务中的贪婪解码和集束搜索，贪婪解码和集束搜索和区别，大模型中贪婪解码的实现；用贪婪解码实现机器翻译任务；transformer模型源码；LLMs的贪婪解码
1.贪婪解码和集束搜索
贪婪解码和集束搜索都是用于生成文本的解码算法。它们在效果和计算复杂度上有所区别。
贪婪解码是一种简单直接的方法，每次选择具有最高概率的下一个字符或单词作为输出。它的优点是计算效率高，因为只需进行一次预测，而不需要考虑其他可能的路径。然而，贪婪解码可能会导致输出不够流畅和连贯，因为它只关注当前步骤的最佳选择，而忽略了整体的序列优化。
相比之下，集束搜索考虑了多个可能的路径。它维护一个候选集束，每一步都根据概率进行扩展和剪枝。集束搜索能够在全局范围内搜索更多的可能性，因此可以生成更准确、连贯的文本。但是，集束搜索的计算复杂度较高，需要更多的时间和计算资源。
因此，贪婪解码适用于快速生成文本的应用，但可能牺牲一定的准确性和流畅性。而对于更重视生成质量的任务，集束搜索提供了更好的性能，尽管生成速度可能较慢。实际应用中，可以根据具体需求和资源限制选择合适的解码策略。
2.贪婪解码的实现
首先我们要先复习一下transformer的结构，如果烂熟于心的同学可以直接移步到后面：
2.1定义缩放点积注意力类
其实就是QKV的计算过程
import numpy as np # 导入 numpy 库
import torch # 导入 torch 库
import torch.nn as nn # 导入 torch.nn 库
d_k = 64 # K(=Q) 维度
d_v = 64 # V 维度
# 定义缩放点积注意力类
class ScaledDotProductAttention(nn.Module):
def __init__(self):
super(ScaledDotProductAttention, self).__init__()
def forward(self, Q, K, V, attn_mask):
#------------------------- 维度信息 --------------------------------
# Q K V [batch_size, n_heads, len_q/k/v, dim_q=k/v] (dim_q=dim_k)
# attn_mask [batch_size, n_heads, len_q, len_k]
#----------------------------------------------------------------
# 计算注意力分数（原始权重）[batch_size，n_heads，len_q，len_k]
scores = torch.matmul(Q, K.transpose(-1, -2)) / np.sqrt(d_k)
#------------------------- 维度信息 --------------------------------
# scores [batch_size, n_heads, len_q, len_k]
#-----------------------------------------------------------------
# 使用注意力掩码，将 attn_mask 中值为 1 的位置的权重替换为极小值
#------------------------- 维度信息 --------------------------------
# attn_mask [batch_size, n_heads, len_q, len_k], 形状和 scores 相同
#-----------------------------------------------------------------
scores.masked_fill_(attn_mask, -1e9)
# 对注意力分数进行 softmax 归一化
weights = nn.Softmax(dim=-1)(scores)
#------------------------- 维度信息 --------------------------------
# weights [batch_size, n_heads, len_q, len_k], 形状和 scores 相同
#-----------------------------------------------------------------
# 计算上下文向量（也就是注意力的输出）, 是上下文信息的紧凑表示
context = torch.matmul(weights, V)
#------------------------- 维度信息 --------------------------------
# context [batch_size, n_heads, len_q, dim_v]
#-----------------------------------------------------------------
return context, weights # 返回上下文向量和注意力分数2.2 定义多头自注意力类
这一步主要为：经过线性变换得到qkv，然后分割为多头，然后计算点积注意力（承接上面代码），然后把多头结果concat，经过线性层，残差连接，归一化
# 定义多头自注意力类
d_embedding = 512 # Embedding 的维度
n_heads = 8 # Multi-Head Attention 中头的个数
batch_size = 3 # 每一批的数据大小
class MultiHeadAttention(nn.Module):
def __init__(self):
super(MultiHeadAttention, self).__init__()
self.W_Q = nn.Linear(d_embedding, d_k * n_heads) # Q的线性变换层
self.W_K = nn.Linear(d_embedding, d_k * n_heads) # K的线性变换层
self.W_V = nn.Linear(d_embedding, d_v * n_heads) # V的线性变换层
self.linear = nn.Linear(n_heads * d_v, d_embedding)
self.layer_norm = nn.LayerNorm(d_embedding)
def forward(self, Q, K, V, attn_mask):
#------------------------- 维度信息 --------------------------------
# Q K V [batch_size, len_q/k/v, embedding_dim]
#-----------------------------------------------------------------
residual, batch_size = Q, Q.size(0) # 保留残差连接
# 将输入进行线性变换和重塑，以便后续处理
q_s = self.W_Q(Q).view(batch_size, -1, n_heads, d_k).transpose(1,2)
k_s = self.W_K(K).view(batch_size, -1, n_heads, d_k).transpose(1,2)
v_s = self.W_V(V).view(batch_size, -1, n_heads, d_v).transpose(1,2)
#------------------------- 维度信息 --------------------------------
# q_s k_s v_s: [batch_size, n_heads, len_q/k/v, d_q=k/v]
#-----------------------------------------------------------------
# 将注意力掩码复制到多头 attn_mask: [batch_size, n_heads, len_q, len_k]
attn_mask = attn_mask.unsqueeze(1).repeat(1, n_heads, 1, 1)
#------------------------- 维度信息 --------------------------------
# attn_mask [batch_size, n_heads, len_q, len_k]
#-----------------------------------------------------------------
# 使用缩放点积注意力计算上下文和注意力权重
context, weights = ScaledDotProductAttention()(q_s, k_s, v_s, attn_mask)
#------------------------- 维度信息 --------------------------------
# context [batch_size, n_heads, len_q, dim_v]
# weights [batch_size, n_heads, len_q, len_k]
#-----------------------------------------------------------------
# 通过调整维度将多个头的上下文向量连接在一起
context = context.transpose(1, 2).contiguous().view(batch_size, -1, n_heads * d_v)
#------------------------- 维度信息 --------------------------------
# context [batch_size, len_q, n_heads * dim_v]
#-----------------------------------------------------------------
# 用一个线性层把连接后的多头自注意力结果转换，原始地嵌入维度
output = self.linear(context)
#------------------------- 维度信息 --------------------------------
# output [batch_size, len_q, embedding_dim]
#-----------------------------------------------------------------
# 与输入 (Q) 进行残差链接，并进行层归一化后输出
output = self.layer_norm(output + residual)
#------------------------- 维度信息 --------------------------------
# output [batch_size, len_q, embedding_dim]
#-----------------------------------------------------------------
return output, weights # 返回层归一化的输出和注意力权重2.3 定义逐位置前馈网络类
经过多头注意力机制的输出output，进入前馈神经网络，conv1->relu->conv1，其实就是把特征投影到高维然后再降回来，最后残差连接output + residual，然后归一化
# 定义逐位置前馈网络类
class PoswiseFeedForwardNet(nn.Module):
def __init__(self, d_ff=2048):
super(PoswiseFeedForwardNet, self).__init__()
# 定义一维卷积层 1，用于将输入映射到更高维度
self.conv1 = nn.Conv1d(in_channels=d_embedding, out_channels=d_ff, kernel_size=1)
# 定义一维卷积层 2，用于将输入映射回原始维度
self.conv2 = nn.Conv1d(in_channels=d_ff, out_channels=d_embedding, kernel_size=1)
# 定义层归一化
self.layer_norm = nn.LayerNorm(d_embedding)
def forward(self, inputs):
#------------------------- 维度信息 --------------------------------
# inputs [batch_size, len_q, embedding_dim]
#----------------------------------------------------------------
residual = inputs # 保留残差连接
# 在卷积层 1 后使用 ReLU 激活函数
output = nn.ReLU()(self.conv1(inputs.transpose(1, 2)))
#------------------------- 维度信息 --------------------------------
# output [batch_size, d_ff, len_q]
#----------------------------------------------------------------
# 使用卷积层 2 进行降维
output = self.conv2(output).transpose(1, 2)
#------------------------- 维度信息 --------------------------------
# output [batch_size, len_q, embedding_dim]
#----------------------------------------------------------------
# 与输入进行残差链接，并进行层归一化
output = self.layer_norm(output + residual)
#------------------------- 维度信息 --------------------------------
# output [batch_size, len_q, embedding_dim]
#----------------------------------------------------------------
return output # 返回加入残差连接后层归一化的结果2.4 生成正弦位置编码表的函数
用于在 Transformer 中引入位置信息
# 生成正弦位置编码表的函数，用于在 Transformer 中引入位置信息
def get_sin_enc_table(n_position, embedding_dim):
#------------------------- 维度信息 --------------------------------
# n_position: 输入序列的最大长度
# embedding_dim: 词嵌入向量的维度
#-----------------------------------------------------------------
# 根据位置和维度信息，初始化正弦位置编码表
sinusoid_table = np.zeros((n_position, embedding_dim))
# 遍历所有位置和维度，计算角度值
for pos_i in range(n_position):
for hid_j in range(embedding_dim):
angle = pos_i / np.power(10000, 2 * (hid_j // 2) / embedding_dim)
sinusoid_table[pos_i, hid_j] = angle
# 计算正弦和余弦值
sinusoid_table[:, 0::2] = np.sin(sinusoid_table[:, 0::2]) # dim 2i 偶数维
sinusoid_table[:, 1::2] = np.cos(sinusoid_table[:, 1::2]) # dim 2i+1 奇数维
#------------------------- 维度信息 --------------------------------
# sinusoid_table 的维度是 [n_position, embedding_dim]
#----------------------------------------------------------------
return torch.FloatTensor(sinusoid_table) # 返回正弦位置编码表2.5 定义填充注意力掩码函数
主要用于做padding mask
# 定义填充注意力掩码函数
def get_attn_pad_mask(seq_q, seq_k):
#------------------------- 维度信息 --------------------------------
# seq_q 的维度是 [batch_size, len_q]
# seq_k 的维度是 [batch_size, len_k]
#-----------------------------------------------------------------
batch_size, len_q = seq_q.size()
batch_size, len_k = seq_k.size()
# 生成布尔类型张量
pad_attn_mask = seq_k.data.eq(0).unsqueeze(1) # token 的编码值为 0
#------------------------- 维度信息 --------------------------------
# pad_attn_mask 的维度是 [batch_size，1，len_k]
#-----------------------------------------------------------------
# 变形为与注意力分数相同形状的张量
pad_attn_mask = pad_attn_mask.expand(batch_size, len_q, len_k)
#------------------------- 维度信息 --------------------------------
# pad_attn_mask 的维度是 [batch_size，len_q，len_k]
#-----------------------------------------------------------------
return pad_attn_mask 2.6 定义编码器层类
即每一层的编码器结构，其实就两个结构：多头自注意力机制和前馈神经网络
# 定义编码器层类
class EncoderLayer(nn.Module):
def __init__(self):
super(EncoderLayer, self).__init__()
self.enc_self_attn = MultiHeadAttention() # 多头自注意力层
self.pos_ffn = PoswiseFeedForwardNet() # 位置前馈神经网络层
def forward(self, enc_inputs, enc_self_attn_mask):
#------------------------- 维度信息 --------------------------------
# enc_inputs 的维度是 [batch_size, seq_len, embedding_dim]
# enc_self_attn_mask 的维度是 [batch_size, seq_len, seq_len]
#-----------------------------------------------------------------
# 将相同的 Q，K，V 输入多头自注意力层 , 返回的 attn_weights 增加了头数
enc_outputs, attn_weights = self.enc_self_attn(enc_inputs, enc_inputs,
enc_inputs, enc_self_attn_mask)
#------------------------- 维度信息 --------------------------------
# enc_outputs 的维度是 [batch_size, seq_len, embedding_dim]
# attn_weights 的维度是 [batch_size, n_heads, seq_len, seq_len]
# 将多头自注意力 outputs 输入位置前馈神经网络层
enc_outputs = self.pos_ffn(enc_outputs) # 维度与 enc_inputs 相同
#------------------------- 维度信息 --------------------------------
# enc_outputs 的维度是 [batch_size, seq_len, embedding_dim]
#-----------------------------------------------------------------
return enc_outputs, attn_weights # 返回编码器输出和每层编码器注意力权重2.7 定义编码器类
两部分结构：embedding和编码器
# 定义编码器类
n_layers = 6 # 设置 Encoder 的层数
class Encoder(nn.Module):
def __init__(self, corpus):
super(Encoder, self).__init__()
self.src_emb = nn.Embedding(len(corpus.src_vocab), d_embedding) # 词嵌入层
self.pos_emb = nn.Embedding.from_pretrained( \
get_sin_enc_table(corpus.src_len+1, d_embedding), freeze=True) # 位置嵌入层
self.layers = nn.ModuleList(EncoderLayer() for _ in range(n_layers))# 编码器层数
def forward(self, enc_inputs):
#------------------------- 维度信息 --------------------------------
# enc_inputs 的维度是 [batch_size, source_len]
#-----------------------------------------------------------------
# 创建一个从 1 到 source_len 的位置索引序列
pos_indices = torch.arange(1, enc_inputs.size(1) + 1).unsqueeze(0).to(enc_inputs)
#------------------------- 维度信息 --------------------------------
# pos_indices 的维度是 [1, source_len]
#-----------------------------------------------------------------
# 对输入进行词嵌入和位置嵌入相加 [batch_size, source_len，embedding_dim]
enc_outputs = self.src_emb(enc_inputs) + self.pos_emb(pos_indices)
#------------------------- 维度信息 --------------------------------
# enc_outputs 的维度是 [batch_size, seq_len, embedding_dim]
#-----------------------------------------------------------------
# 生成自注意力掩码
enc_self_attn_mask = get_attn_pad_mask(enc_inputs, enc_inputs)
#------------------------- 维度信息 --------------------------------
# enc_self_attn_mask 的维度是 [batch_size, len_q, len_k]
#-----------------------------------------------------------------
enc_self_attn_weights = [] # 初始化 enc_self_attn_weights
# 通过编码器层 [batch_size, seq_len, embedding_dim]
for layer in self.layers:
enc_outputs, enc_self_attn_weight = layer(enc_outputs, enc_self_attn_mask)
enc_self_attn_weights.append(enc_self_attn_weight)
#------------------------- 维度信息 --------------------------------
# enc_outputs 的维度是 [batch_size, seq_len, embedding_dim] 维度与 enc_inputs 相同
# enc_self_attn_weights 是一个列表，每个元素的维度是 [batch_size, n_heads, seq_len, seq_len]
#-----------------------------------------------------------------
return enc_outputs, enc_self_attn_weights # 返回编码器输出和编码器注意力权重2.7 后续注意力掩码的函数
即sequence mask的实现函数
# 生成后续注意力掩码的函数，用于在多头自注意力计算中忽略未来信息
def get_attn_subsequent_mask(seq):
#------------------------- 维度信息 --------------------------------
# seq 的维度是 [batch_size, seq_len(Q)=seq_len(K)]
#-----------------------------------------------------------------
# 获取输入序列的形状
attn_shape = [seq.size(0), seq.size(1), seq.size(1)]
#------------------------- 维度信息 --------------------------------
# attn_shape 是一个一维张量 [batch_size, seq_len(Q), seq_len(K)]
#-----------------------------------------------------------------
# 使用 numpy 创建一个上三角矩阵（triu = triangle upper）
subsequent_mask = np.triu(np.ones(attn_shape), k=1)
#------------------------- 维度信息 --------------------------------
# subsequent_mask 的维度是 [batch_size, seq_len(Q), seq_len(K)]
#-----------------------------------------------------------------
# 将 numpy 数组转换为 PyTorch 张量，并将数据类型设置为 byte（布尔值）
subsequent_mask = torch.from_numpy(subsequent_mask).byte()
#------------------------- 维度信息 --------------------------------
# 返回的 subsequent_mask 的维度是 [batch_size, seq_len(Q), seq_len(K)]
#-----------------------------------------------------------------
return subsequent_mask # 返回后续位置的注意力掩码2.8 定义解码器层类
注意这里定义两个多头注意力机制结构，即解码器的自注意力和编码器-解码器的注意力
# 定义解码器层类
class DecoderLayer(nn.Module):
def __init__(self):
super(DecoderLayer, self).__init__()
self.dec_self_attn = MultiHeadAttention() # 多头自注意力层
self.dec_enc_attn = MultiHeadAttention() # 多头自注意力层，连接编码器和解码器
self.pos_ffn = PoswiseFeedForwardNet() # 位置前馈神经网络层
def forward(self, dec_inputs, enc_outputs, dec_self_attn_mask, dec_enc_attn_mask):
#------------------------- 维度信息 --------------------------------
# dec_inputs 的维度是 [batch_size, target_len, embedding_dim]
# enc_outputs 的维度是 [batch_size, source_len, embedding_dim]
# dec_self_attn_mask 的维度是 [batch_size, target_len, target_len]
# dec_enc_attn_mask 的维度是 [batch_size, target_len, source_len]
#-----------------------------------------------------------------
# 将相同的 Q，K，V 输入多头自注意力层
dec_outputs, dec_self_attn = self.dec_self_attn(dec_inputs, dec_inputs,
dec_inputs, dec_self_attn_mask)
#------------------------- 维度信息 --------------------------------
# dec_outputs 的维度是 [batch_size, target_len, embedding_dim]
# dec_self_attn 的维度是 [batch_size, n_heads, target_len, target_len]
#-----------------------------------------------------------------
# 将解码器输出和编码器输出输入多头自注意力层
dec_outputs, dec_enc_attn = self.dec_enc_attn(dec_outputs, enc_outputs,
enc_outputs, dec_enc_attn_mask)
#------------------------- 维度信息 --------------------------------
# dec_outputs 的维度是 [batch_size, target_len, embedding_dim]
# dec_enc_attn 的维度是 [batch_size, n_heads, target_len, source_len]
#-----------------------------------------------------------------
# 输入位置前馈神经网络层
dec_outputs = self.pos_ffn(dec_outputs)
#------------------------- 维度信息 --------------------------------
# dec_outputs 的维度是 [batch_size, target_len, embedding_dim]
# dec_self_attn 的维度是 [batch_size, n_heads, target_len, target_len]
# dec_enc_attn 的维度是 [batch_size, n_heads, target_len, source_len]
#-----------------------------------------------------------------
# 返回解码器层输出，每层的自注意力和解 - 编码器注意力权重
return dec_outputs, dec_self_attn, dec_enc_attn2.9 定义解码器类
即：词嵌入+位置嵌入+多层解码器
注意：解码器的输入和编码器的输入内容是不一样的
# 定义解码器类
n_layers = 6 # 设置 Decoder 的层数
class Decoder(nn.Module):
def __init__(self, corpus):
super(Decoder, self).__init__()
self.tgt_emb = nn.Embedding(len(corpus.tgt_vocab), d_embedding) # 词嵌入层
self.pos_emb = nn.Embedding.from_pretrained( \
get_sin_enc_table(corpus.tgt_len+1, d_embedding), freeze=True) # 位置嵌入层
self.layers = nn.ModuleList([DecoderLayer() for _ in range(n_layers)]) # 叠加多层
def forward(self, dec_inputs, enc_inputs, enc_outputs):
#------------------------- 维度信息 --------------------------------
# dec_inputs 的维度是 [batch_size, target_len]
# enc_inputs 的维度是 [batch_size, source_len]
# enc_outputs 的维度是 [batch_size, source_len, embedding_dim]
#-----------------------------------------------------------------
# 创建一个从 1 到 source_len 的位置索引序列
pos_indices = torch.arange(1, dec_inputs.size(1) + 1).unsqueeze(0).to(dec_inputs)
#------------------------- 维度信息 --------------------------------
# pos_indices 的维度是 [1, target_len]
#-----------------------------------------------------------------
# 对输入进行词嵌入和位置嵌入相加
dec_outputs = self.tgt_emb(dec_inputs) + self.pos_emb(pos_indices)
#------------------------- 维度信息 --------------------------------
# dec_outputs 的维度是 [batch_size, target_len, embedding_dim]
#-----------------------------------------------------------------
# 生成解码器自注意力掩码和解码器 - 编码器注意力掩码
dec_self_attn_pad_mask = get_attn_pad_mask(dec_inputs, dec_inputs) # 填充位掩码
dec_self_attn_subsequent_mask = get_attn_subsequent_mask(dec_inputs) # 后续位掩码
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) # 解码器 - 编码器掩码
#------------------------- 维度信息 --------------------------------
# dec_self_attn_pad_mask 的维度是 [batch_size, target_len, target_len]
# dec_self_attn_subsequent_mask 的维度是 [batch_size, target_len, target_len]
# dec_self_attn_mask 的维度是 [batch_size, target_len, target_len]
# dec_enc_attn_mask 的维度是 [batch_size, target_len, source_len]
#-----------------------------------------------------------------
dec_self_attns, dec_enc_attns = [], [] # 初始化 dec_self_attns, dec_enc_attns
# 通过解码器层 [batch_size, seq_len, embedding_dim]
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)
#------------------------- 维度信息 --------------------------------
# dec_outputs 的维度是 [batch_size, target_len, embedding_dim]
# dec_self_attns 是一个列表，每个元素的维度是 [batch_size, n_heads, target_len, target_len]
# dec_enc_attns 是一个列表，每个元素的维度是 [batch_size, n_heads, target_len, source_len]
#-----------------------------------------------------------------
# 返回解码器输出，解码器自注意力和解码器 - 编码器注意力权重
return dec_outputs, dec_self_attns, dec_enc_attns2.10 定义 Transformer 模型
注意：在最后定义线性投影层，将解码器输出转换为目标词汇表大小的概率分布
# 定义 Transformer 模型
class Transformer(nn.Module):
def __init__(self, corpus):
super(Transformer, self).__init__()
self.encoder = Encoder(corpus) # 初始化编码器实例
self.decoder = Decoder(corpus) # 初始化解码器实例
# 定义线性投影层，将解码器输出转换为目标词汇表大小的概率分布
self.projection = nn.Linear(d_embedding, len(corpus.tgt_vocab), bias=False)
def forward(self, enc_inputs, dec_inputs):
#------------------------- 维度信息 --------------------------------
# enc_inputs 的维度是 [batch_size, source_seq_len]
# dec_inputs 的维度是 [batch_size, target_seq_len]
#-----------------------------------------------------------------
# 将输入传递给编码器，并获取编码器输出和自注意力权重
enc_outputs, enc_self_attns = self.encoder(enc_inputs)
#------------------------- 维度信息 --------------------------------
# enc_outputs 的维度是 [batch_size, source_len, embedding_dim]
# enc_self_attns 是一个列表，每个元素的维度是 [batch_size, n_heads, src_seq_len, src_seq_len]
#-----------------------------------------------------------------
# 将编码器输出、解码器输入和编码器输入传递给解码器
# 获取解码器输出、解码器自注意力权重和编码器 - 解码器注意力权重
dec_outputs, dec_self_attns, dec_enc_attns = self.decoder(dec_inputs, enc_inputs, enc_outputs)
#------------------------- 维度信息 --------------------------------
# dec_outputs 的维度是 [batch_size, target_len, embedding_dim]
# dec_self_attns 是一个列表，每个元素的维度是 [batch_size, n_heads, tgt_seq_len, src_seq_len]
# dec_enc_attns 是一个列表，每个元素的维度是 [batch_size, n_heads, tgt_seq_len, src_seq_len]
#-----------------------------------------------------------------
# 将解码器输出传递给投影层，生成目标词汇表大小的概率分布
dec_logits = self.projection(dec_outputs)
#------------------------- 维度信息 --------------------------------
# dec_logits 的维度是 [batch_size, tgt_seq_len, tgt_vocab_size]
#-----------------------------------------------------------------
# 返回逻辑值 ( 原始预测结果 ), 编码器自注意力权重，解码器自注意力权重，解 - 编码器注意力权重
return dec_logits, enc_self_attns, dec_self_attns, dec_enc_attns2.11 准备数据： 机器翻译任务
sentences = [
['成哥 喜欢 小冰', 'ChengGe likes XiaoBing'],
['我 爱 学习 人工智能', 'I love studying AI'],
['深度学习 改变 世界', ' DL changed the world'],
['自然语言处理 很 强大', 'NLP is powerful'],
['神经网络 非常 复杂', 'Neural-networks are complex'] ]2.12 定义 TranslationCorpus 类
注意：生成式任务的数据处理比较重要
from collections import Counter # 导入 Counter 类
# 定义 TranslationCorpus 类
class TranslationCorpus:
def __init__(self, sentences):
self.sentences = sentences
# 计算源语言和目标语言的最大句子长度，并分别加 1 和 2 以容纳填充符和特殊符号
self.src_len = max(len(sentence[0].split()) for sentence in sentences) + 1
self.tgt_len = max(len(sentence[1].split()) for sentence in sentences) + 2
# 创建源语言和目标语言的词汇表
self.src_vocab, self.tgt_vocab = self.create_vocabularies()
# 创建索引到单词的映射
self.src_idx2word = {v: k for k, v in self.src_vocab.items()}
self.tgt_idx2word = {v: k for k, v in self.tgt_vocab.items()}
# 定义创建词汇表的函数
def create_vocabularies(self):
# 统计源语言和目标语言的单词频率
src_counter = Counter(word for sentence in self.sentences for word in sentence[0].split())
tgt_counter = Counter(word for sentence in self.sentences for word in sentence[1].split())
# 创建源语言和目标语言的词汇表，并为每个单词分配一个唯一的索引
src_vocab = {'': 0, **{word: i+1 for i, word in enumerate(src_counter)}}
tgt_vocab = {'': 0, '': 1, '': 2,
**{word: i+3 for i, word in enumerate(tgt_counter)}}
return src_vocab, tgt_vocab
# 定义创建批次数据的函数
def make_batch(self, batch_size, test_batch=False):
input_batch, output_batch, target_batch = [], [], []
# 随机选择句子索引
sentence_indices = torch.randperm(len(self.sentences))[:batch_size]
for index in sentence_indices:
src_sentence, tgt_sentence = self.sentences[index]
# 将源语言和目标语言的句子转换为索引序列
src_seq = [self.src_vocab[word] for word in src_sentence.split()]
tgt_seq = [self.tgt_vocab['']] + [self.tgt_vocab[word] \
for word in tgt_sentence.split()] + [self.tgt_vocab['']]
# 对源语言和目标语言的序列进行填充
src_seq += [self.src_vocab['']] * (self.src_len - len(src_seq))
tgt_seq += [self.tgt_vocab['']] * (self.tgt_len - len(tgt_seq))
# 将处理好的序列添加到批次中
input_batch.append(src_seq)
output_batch.append([self.tgt_vocab['']] + ([self.tgt_vocab['']] * \
(self.tgt_len - 2)) if test_batch else tgt_seq[:-1])
target_batch.append(tgt_seq[1:])
# 将批次转换为 LongTensor 类型
input_batch = torch.LongTensor(input_batch)
output_batch = torch.LongTensor(output_batch)
target_batch = torch.LongTensor(target_batch)
return input_batch, output_batch, target_batch
# 创建语料库类实例
corpus = TranslationCorpus(sentences) 2.13 开始训练和测试
训练模型
import torch # 导入 torch
import torch.optim as optim # 导入优化器
model = Transformer(corpus) # 创建模型实例
criterion = nn.CrossEntropyLoss() # 损失函数
optimizer = optim.Adam(model.parameters(), lr=0.0001) # 优化器
epochs = 5 # 训练轮次
for epoch in range(epochs): # 训练 100 轮
optimizer.zero_grad() # 梯度清零
enc_inputs, dec_inputs, target_batch = corpus.make_batch(batch_size) # 创建训练数据
outputs, _, _, _ = model(enc_inputs, dec_inputs) # 获取模型输出
loss = criterion(outputs.view(-1, len(corpus.tgt_vocab)), target_batch.view(-1)) # 计算损失
if (epoch + 1) % 1 == 0: # 打印损失
print(f"Epoch: {epoch + 1:04d} cost = {loss:.6f}")
loss.backward()# 反向传播
optimizer.step()# 更新参数测试模型
# 创建一个大小为 1 的批次，目标语言序列 dec_inputs 在测试阶段，仅包含句子开始符号
enc_inputs, dec_inputs, target_batch = corpus.make_batch(batch_size=1,test_batch=True)
print("编码器输入 :", enc_inputs) # 打印编码器输入
print("解码器输入 :", dec_inputs) # 打印解码器输入
print("目标数据 :", target_batch) # 打印目标数据
predict, enc_self_attns, dec_self_attns, dec_enc_attns = model(enc_inputs, dec_inputs) # 用模型进行翻译
predict = predict.view(-1, len(corpus.tgt_vocab)) # 将预测结果维度重塑
predict = predict.data.max(1, keepdim=True)[1] # 找到每个位置概率最大的词汇的索引
# 解码预测的输出，将所预测的目标句子中的索引转换为单词
translated_sentence = [corpus.tgt_idx2word[idx.item()] for idx in predict.squeeze()]
# 将输入的源语言句子中的索引转换为单词
input_sentence = ' '.join([corpus.src_idx2word[idx.item()] for idx in enc_inputs[0]])
print(input_sentence, '->', translated_sentence) # 打印原始句子和翻译后的句子 2.14 定义贪婪解码器函数
终于进入本文正题
# 定义贪婪解码器函数
def greedy_decoder(model, enc_input, start_symbol):
# 对输入数据进行编码，并获得编码器输出以及自注意力权重
enc_outputs, enc_self_attns = model.encoder(enc_input)
# 初始化解码器输入为全零张量，大小为 (1, 5)，数据类型与 enc_input 一致
dec_input = torch.zeros(1, 5).type_as(enc_input.data)
# 设置下一个要解码的符号为开始符号
next_symbol = start_symbol
# 循环 5 次，为解码器输入中的每一个位置填充一个符号
for i in range(0, 5):
# 将下一个符号放入解码器输入的当前位置
dec_input[0][i] = next_symbol
# 运行解码器，获得解码器输出、解码器自注意力权重和编码器 - 解码器注意力权重
dec_output, _, _ = model.decoder(dec_input, enc_input, enc_outputs)
# 将解码器输出投影到目标词汇空间
projected = model.projection(dec_output)
# 找到具有最高概率的下一个单词
prob = projected.squeeze(0).max(dim=-1, keepdim=False)[1]
next_word = prob.data[i]
# 将找到的下一个单词作为新的符号
next_symbol = next_word.item()
# 返回解码器输入，它包含了生成的符号序列
dec_outputs = dec_input
return dec_outputs2.15 用贪婪解码器生成翻译文本
# 用贪婪解码器生成翻译文本
enc_inputs, dec_inputs, target_batch = corpus.make_batch(batch_size=1, test_batch=True)
# 使用贪婪解码器生成解码器输入
greedy_dec_input = greedy_decoder(model, enc_inputs, start_symbol=corpus.tgt_vocab[''])
# 将解码器输入转换为单词序列
greedy_dec_output_words = [corpus.tgt_idx2word[n.item()] for n in greedy_dec_input.squeeze()]
# 打印编码器输入和贪婪解码器生成的文本
enc_inputs_words = [corpus.src_idx2word[code.item()] for code in enc_inputs[0]]
print(enc_inputs_words, '->', greedy_dec_output_words) 3.结果
实际测试发现，贪婪解码的效果并不是很好，当然咱们这里只是一个demo，大家还需采取更大的语料进行训练和测试