文章目录
前言
在深度学习领域，Transformer模型以其独特的机制和优越的性能在自然语言处理（NLP）任务中占据了主导地位。这里我们提供了一个简化版的Transformer模型的实现，让你在一分钟内快速理解并上手Transformer的基本原理和代码实现。
核心代码请见博主主页下载资源，用于多输出的回归预测项目代码详解请见：https://www.kdocs.cn/l/cmQ0BXiurpbg
class TransformerModel(nn.Module):
def __init__(self, input_dim, output_dim, nhead, num_layers):
super(TransformerModel, self).__init__()
self.model_type = 'Transformer'
self.src_mask = None
self.pos_encoder = PositionalEncoding(input_dim)
encoder_layers = nn.TransformerEncoderLayer(input_dim, nhead, dim_feedforward=512)
self.transformer_encoder = nn.TransformerEncoder(encoder_layers, num_layers)
self.encoder = nn.Linear(input_dim, input_dim)
self.decoder = nn.Linear(input_dim, output_dim)
def forward(self, src):
print(f"Initial shape: {src.shape}")
if self.src_mask is None or self.src_mask.size(0) != len(src):
device = src.device
mask = self._generate_square_subsequent_mask(len(src)).to(device)
self.src_mask = mask
src = self.encoder(src)
print(f"After encoder: {src.shape}")
src = self.pos_encoder(src)
print(f"After positional encoding: {src.shape}")
output = self.transformer_encoder(src, self.src_mask)
print(f"After transformer encoder: {output.shape}")
output = self.decoder(output)
print(f"Final output shape: {output.shape}")
# 如果你只关心每个序列的最后一个时间步的输出：
final_output = output[:, -1, :] # 这会给你一个形状为 [574, 3] 的张量
print(f"Final final_output shape: {final_output.shape}")
return final_output
def _generate_square_subsequent_mask(self, sz):
mask = (torch.triu(torch.ones(sz, sz)) == 1).transpose(0, 1)
mask = mask.float().masked_fill(mask == 0, float('-inf')).masked_fill(mask == 1, float(0.0))
return mask
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)
pe = torch.zeros(max_len, d_model)
position = torch.arange(0, max_len, dtype=torch.float).unsqueeze(1)
div_term = torch.exp(torch.arange(0, d_model, 2).float() * (-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).transpose(0, 1)
self.register_buffer('pe', pe)
def forward(self, x):
x = x + self.pe[:x.size(0), :]
return self.dropout(x)
Transformer模型结构概览
Transformer模型基于自注意力机制，它摒弃了传统的循环神经网络架构，完全依靠自注意力机制来编码输入序列的信息。
代码模块解释
TransformerModel类：这是整个Transformer模型的骨架，定义了模型结构的各个核心部分。__init__函数：初始化函数，定义了模型使用到的各种层和参数：input_dim和output_dim分别代表输入和输出的特征维度。nhead是多头注意力机制中“头”的数量。num_layers是Transformer编码器层的堆叠数量。PositionalEncoding是位置编码类，用来给输入序列添加位置信息。nn.TransformerEncoder是Transformer编码器，由多个nn.TransformerEncoderLayer组成。self.encoder和self.decoder是线性层，分别用于输入的线性转换和输出的线性转换。
forward函数：定义了模型的前向传播逻辑。- 首先检查源序列掩码
src_mask是否已经定义，若未定义或大小不匹配则创建它。 - 通过线性层、位置编码和Transformer编码器对输入数据
src进行处理。 - 最后通过解码器输出最终的结果。
- 如果只关心序列的最后一个输出，则只取最后一个时间步的输出。
- 首先检查源序列掩码
_generate_square_subsequent_mask函数：生成一个上三角形状的掩码，用于在自注意力计算中屏蔽未来的位置信息，保证模型只能看到当前位置及之前的信息。PositionalEncoding类：实现位置编码。- 在Transformer中，位置编码是用来保留序列中单词的顺序信息。
- 使用正弦和余弦函数的组合生成位置编码。
模块功能详解
位置编码（PositionalEncoding）：
- 位置编码使用正弦和余弦函数，为序列中的每个元素赋予了一个相对或绝对位置，以此来模拟序列数据的顺序特性，是Transformer模型中的一个关键创新点。
编码器（Encoder）：
- 输入的线性层将输入数据转换到适当的维度。
- Transformer编码器由若干编码器层堆叠而成，每层包含多头注意力机制和前馈神经网络。
掩码生成（_generate_square_subsequent_mask）：
- 掩码技术是Transformer模型实现序列到序列任务时的一个重要技巧，它可以防止模型在解码时获取未来位置的信息。
解码器（Decoder）：
- 输出的线性层将Transformer编码器的输出转换为最终的输出维度。
总结
通过上述代码的精简实现，我们可以看出即使是一个简化版的Transformer模型，也能够涵盖核心的机器学习原则和处理序列数据的强大功能。对于希望深入理解Transformer工作原理和实现的人来说，这个简化版的代码提供了一个极佳的起点。
