mecanismo de máscara princípio de que, no lado do descodificador, a previsão é baseada em informações codificador ea palavra previsto, e em fase de codificador, Self_Attention não têm esse mecanismo, é essencialmente uma máscara para a atenção dele, então olhamos para a Atenção implementação:
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)
# 这里是对应公式的 Q* K的转秩矩阵
"""
Queries张量,形状为[B, H, L_q, D_q]
Keys张量,形状为[B, H, L_k, D_k]
Values张量,形状为[B, H, L_v, D_v],一般来说就是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
Sabemos que em formação, que são unidades batch_size, em seguida, haverá preenchimento, geralmente tomamos o pad == 0, em seguida, ele fará com que a atenção do tempo, consulta o valor é 0, consulta um valor de 0 , o valor pontuação correspondente de nossos cálculos é 0, ele provavelmente vai levar a softmax atribuído à palavra não é uma proporção relativamente pequena, portanto, vamos preencher o valor de pontuação correspondente é infinito negativo , a fim de reduzir afectar pequeno bloco que está no acima scores = scores.masked_fill(mask == 0, -1e9)
significativo. de modo que pode facilmente imaginar, no descodificador, não previsto palavra é adicionada ao lote com o enchimento da forma, de modo que o mecanismo de máscara quando o mecanismo de máscara e preenchimento usado é o mesmo, é essencialmente consulta é 0, mas uma matriz máscara diferente, podemos encontrar nesta parte do decodificador de acordo com o código.
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
# 对源语言与目标语言的 mask 机制
x = self.sublayer[0](x, lambda x: self.self_attn(x, x, x, tgt_mask))
# Self_Attention 机制, 是针对目标语言的, 因此需要引入 tgt_mask, 这个mask 矩阵是由已预测出的单词构成的,
x = self.sublayer[1](x, lambda x: self.src_attn(x, m, m, src_mask))
# 这个是对 encoder 的结果的 Attention, 由于 encoder 阶段有 Padding, 所以这个 mask 矩阵和 encoder 阶段的mask 矩阵是一样的
return self.sublayer[2](x, self.feed_forward)
Em seguida vamos dar uma olhada retrospectiva, mascarar aqui é como é que, finalmente construído módulo é Encoder_Decoder,
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
# 将源语言的单词 embedding 放在一起, position embedding
self.tgt_embed = tgt_embed
# 将目标语言的单词 embedding 放在一起, position embedding
self.generator = generator
# 就是最后产生结果的地方
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)
Quando treinado, usando model.forward, nesta parte:
def run_epoch(args, data_iter, model, loss_compute, valid_params=None, epoch_num=0,
is_valid=False, is_test=False, logger=None):
"Standard Training and Logging Function"
start = time.time()
total_tokens = 0
total_loss = 0
tokens = 0
if valid_params is not None:
src_dict, tgt_dict, valid_iter = valid_params
hist_valid_scores = []
bleu_all = 0
count_all = 0
for i, batch in enumerate(data_iter):
model.train()
out = model.forward(batch.src, batch.trg ,batch.src_mask, batch.trg_mask)
# 参数来自 batch
loss = loss_compute(out, batch.trg_y, batch.ntokens)
# 这一步既计算了损失, 又更新了参数
total_loss += loss
total_tokens += batch.ntokens
tokens += batch.ntokens
Estes são a etapa de treinamento, os dados é como é que, a matriz máscara do lote, por isso o mais crítico é o lote é como é que, recuando até achar em função train.py, encontramos
_, logger_file = train_utils.run_epoch(args, (train_utils.rebatch(pad_idx, b) for b in train_iter),
model_parallel if args.multi_gpu else model, train_loss_fn,
valid_params=valid_params,
epoch_num=epoch, logger=logger_file)
lote de função rebatch e iteradores de treinamento de dados, este train_iter foi baseada em torchtext, não entrar aqui, assim que a chave é seguinte função rebatch,
def rebatch(pad_idx, batch):
"Fix order in torchtext"
src, trg = batch.src.transpose(0, 1), batch.trg.transpose(0, 1)
# 读的数据是 sequence * batch_size 的吗, 是在torchtext 中的Filed 决定的
# 所以需要转换为 bacth * sequence
return Batch(src, trg, pad_idx)
Finalmente encontrou classe de lote, o máximo de informação crítica a partir daqui:
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)
# 在预测的时候是没有 tgt 的,此时为 None
if trg is not None:
self.trg = trg[:, :-1]
# 每次迭代的时候, 去掉最后一个单词
self.trg_y = trg[:, 1:]
# 去掉第一个单词
self.trg_mask = self.make_std_mask(self.trg, pad)
self.ntokens = (self.trg_y != pad).sum().item()
# target 语言中单词的个数
@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 & transformer.subsequent_mask(tgt.size(-1)).type_as(tgt_mask)
# tgt.size(-1) 表示的是序列的长度
return tgt_mask
No lote classe, trg para Nenhum quando bem compreendido, ou seja, prever quando a língua-alvo não é, de fato, no momento previsto, Batch única entrada, em seguida, processo de previsão Máscara atenção e como alcançá-lo ? vamos colocar isso de volta novamente, olhada src_mask aqui, mascarar o idioma de origem, isto é, quando a máscara quando codificador self_Attention, isso é bem compreendido, é tornar-se um não-zero de números, para se obter uma matriz 0/1 , self.trg = trg[:, :-1]
a última palavra aqui para se livrar, nem uma palavra real, mas sinais '<eos>', entrada e saída são ainda um '<sos>' no início de uma frase, self.trg_y = trg[:, 1:]
remover o início torna-se resultado final. acesso para baixo é a matriz máscara alvo de aquisição mais linguagem crítica,
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
Esta função fez Shane?
Primeiro, escreveu o seguinte:
def subsequentmask(size):
"Mask out subsequent positions."
attn_shape = (1, size, size)
subsequent_mask = np.triu(np.ones(attn_shape), k=1).astype('uint8')
return subsequent_mask == 0
print(subsequentmask(5))
>>
[[[ True False False False False]
[ True True False False False]
[ True True True False False]
[ True True True True False]
[ True True True True True]]]
Quando esta matriz em tensor numpy quando a configuração é a dimensão (1, 5, 5) de matriz, um meio de uma frase