Создайте свою собственную модель Transformer с нуля с помощью PyTorch

В этом уроке мы создадим базовую модель Transformer с нуля, используя PyTorch. Модель Transformer, представленная Vaswani et al. в статье «Attention is All You Need» — это архитектура глубокого обучения, предназначенная для последовательных задач, таких как машинный перевод и суммирование текста. Она основана на механизмах внутреннего внимания и стала основой для многих современных моделей обработки естественного языка, таких как GPT и BERT.

Чтобы построить нашу модель, мы выполним следующие шаги:

Импортируем необходимые библиотеки и модули
Определим основные строительные блоки: Multi-Head Attention, Position-wise Feed-Forward Networks, Positional Encoding
Создадим слои кодировщика и декодера
Объединим слои кодировщика и декодера, чтобы создать полную модель
Подготовим образцы данных
Обучим модель

Начнём с импорта необходимых библиотек и модулей:

import torch import torch.nn as nn import torch.optim as optim import torch.utils.data as data import math import copy

Теперь мы определим основные строительные блоки модели Transformer.

Механизм Multi-Head Attention вычисляет внимание между каждой парой позиций в последовательности. Он состоит из нескольких элементов, которые фиксируют различные аспекты входной последовательности.

class MultiHeadAttention(nn.Module): def __init__(self, d_model, num_heads): super(MultiHeadAttention, self).__init__() assert d_model % num_heads == 0, "d_model must be divisible by num_heads" self.d_model = d_model self.num_heads = num_heads self.d_k = d_model // num_heads self.W_q = nn.Linear(d_model, d_model) self.W_k = nn.Linear(d_model, d_model) self.W_v = nn.Linear(d_model, d_model) self.W_o = nn.Linear(d_model, d_model) def scaled_dot_product_attention(self, Q, K, V, mask=None): attn_scores = torch.matmul(Q, K.transpose(-2, -1)) / math.sqrt(self.d_k) if mask is not None: attn_scores = attn_scores.masked_fill(mask == 0, -1e9) attn_probs = torch.softmax(attn_scores, dim=-1) output = torch.matmul(attn_probs, V) return output def split_heads(self, x): batch_size, seq_length, d_model = x.size() return x.view(batch_size, seq_length, self.num_heads, self.d_k).transpose(1, 2) def combine_heads(self, x): batch_size, _, seq_length, d_k = x.size() return x.transpose(1, 2).contiguous().view(batch_size, seq_length, self.d_model) def forward(self, Q, K, V, mask=None): Q = self.split_heads(self.W_q(Q)) K = self.split_heads(self.W_k(K)) V = self.split_heads(self.W_v(V)) attn_output = self.scaled_dot_product_attention(Q, K, V, mask) output = self.W_o(self.combine_heads(attn_output)) return output

Код MultiHeadAttention инициализирует модуль входными параметрами и слоями линейного преобразования. Он вычисляет показатели внимания, преобразует входной тензор в несколько элементов и объединяет все их результаты.

class PositionWiseFeedForward(nn.Module): def __init__(self, d_model, d_ff): super(PositionWiseFeedForward, self).__init__() self.fc1 = nn.Linear(d_model, d_ff) self.fc2 = nn.Linear(d_ff, d_model) self.relu = nn.ReLU() def forward(self, x): return self.fc2(self.relu(self.fc1(x)))

Класс PositionWiseFeedForward расширяет nn.Module PyTorch и реализует сеть прямой связи с учётом позиции. Класс инициализируется двумя слоями линейного преобразования и функцией активации ReLU. Прямой метод последовательно применяет эти преобразования и функцию активации для вычисления выходных данных. Этот процесс позволяет модели учитывать положение входных элементов при прогнозировании.

Позиционное кодирование используется для ввода информации о положении каждого токена во входную последовательность. Он использует функции синуса и косинуса разных частот для генерации позиционного кодирования:

class PositionalEncoding(nn.Module): def __init__(self, d_model, max_seq_length): super(PositionalEncoding, self).__init__() pe = torch.zeros(max_seq_length, d_model) position = torch.arange(0, max_seq_length, 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) self.register_buffer('pe', pe.unsqueeze(0)) def forward(self, x): return x + self.pe[:, :x.size(1)]

Класс PositionalEncoding инициализируется входными параметрами d_model и max_seq_length, создавая тензор для хранения значений позиционного кодирования. Класс вычисляет значения синуса и косинуса для чётных и нечётных индексов соответственно на основе коэффициента масштабирования div_term. Прямой метод вычисляет позиционное кодирование, добавляя сохранённые значения позиционного кодирования к входному тензору, позволяя модели собирать информацию о позиции входной последовательности.

Теперь мы создадим слои кодировщика и декодера.

Слой кодировщика состоит из слоя Multi-Head Attention, слоя Position-wise Feed-Forward и двух слоёв Layer Normalization.

class EncoderLayer(nn.Module): def __init__(self, d_model, num_heads, d_ff, dropout): super(EncoderLayer, self).__init__() self.self_attn = MultiHeadAttention(d_model, num_heads) self.feed_forward = PositionWiseFeedForward(d_model, d_ff) self.norm1 = nn.LayerNorm(d_model) self.norm2 = nn.LayerNorm(d_model) self.dropout = nn.Dropout(dropout) def forward(self, x, mask): attn_output = self.self_attn(x, x, x, mask) x = self.norm1(x + self.dropout(attn_output)) ff_output = self.feed_forward(x) x = self.norm2(x + self.dropout(ff_output)) return x

Класс EncoderLayer инициализируется входными параметрами и компонентами, включая модуль MultiHeadAttention, модуль PositionWiseFeedForward, двухуровневые модули нормализации и слой исключения. Прямые методы вычисляют выходные данные уровня кодировщика, применяя собственное внимание, добавляя выходные данные внимания к входному тензору и нормализуя результат. Затем он вычисляет вывод прямой связи по положению, объединяет его с нормализованным выводом собственного внимания и нормализует окончательный результат перед возвратом обработанного тензора.

Слой декодера состоит из двух слоёв Multi-Head Attention, слоя Position-wise Feed-Forward layer и трёх слоев Layer Normalization.

class DecoderLayer(nn.Module): def __init__(self, d_model, num_heads, d_ff, dropout): super(DecoderLayer, self).__init__() self.self_attn = MultiHeadAttention(d_model, num_heads) self.cross_attn = MultiHeadAttention(d_model, num_heads) self.feed_forward = PositionWiseFeedForward(d_model, d_ff) self.norm1 = nn.LayerNorm(d_model) self.norm2 = nn.LayerNorm(d_model) self.norm3 = nn.LayerNorm(d_model) self.dropout = nn.Dropout(dropout) def forward(self, x, enc_output, src_mask, tgt_mask): attn_output = self.self_attn(x, x, x, tgt_mask) x = self.norm1(x + self.dropout(attn_output)) attn_output = self.cross_attn(x, enc_output, enc_output, src_mask) x = self.norm2(x + self.dropout(attn_output)) ff_output = self.feed_forward(x) x = self.norm3(x + self.dropout(ff_output)) return x

DecoderLayer инициализируется входными параметрами и компонентами, такими как модули MultiHeadAttention для маскированного внутреннего и перекрёстного внимания, модуль PositionWiseFeedForward, трехуровневые модули нормализации и слой исключения.

Прямой метод вычисляет выходные данные уровня декодера, выполняя следующие шаги:

Вычисление замаскированного вывода собственного внимания и добавление его к входному тензору с последующим отсевом и нормализацией слоя.
Вычисление вывода перекрёстного внимания между выходами декодера и кодировщика и добавление его к нормализованному замаскированному выводу собственного внимания с последующим отсевом и нормализацией слоя.
Расчёт выходных данных с прямой связью по положению и объединение их с нормализованными выходными данными перекрёстного внимания с последующим отсевом и нормализацией слоев.
Возвращение обработанного тензора.

Эти операции позволяют декодеру генерировать целевые последовательности на основе ввода и вывода кодера.

Теперь давайте объединим оба слоя, чтобы создать полную модель Transformer.

Объединяем всё вместе:

class Transformer(nn.Module): def __init__(self, src_vocab_size, tgt_vocab_size, d_model, num_heads, num_layers, d_ff, max_seq_length, dropout): super(Transformer, self).__init__() self.encoder_embedding = nn.Embedding(src_vocab_size, d_model) self.decoder_embedding = nn.Embedding(tgt_vocab_size, d_model) self.positional_encoding = PositionalEncoding(d_model, max_seq_length) self.encoder_layers = nn.ModuleList([EncoderLayer(d_model, num_heads, d_ff, dropout) for _ in range(num_layers)]) self.decoder_layers = nn.ModuleList([DecoderLayer(d_model, num_heads, d_ff, dropout) for _ in range(num_layers)]) self.fc = nn.Linear(d_model, tgt_vocab_size) self.dropout = nn.Dropout(dropout) def generate_mask(self, src, tgt): src_mask = (src != 0).unsqueeze(1).unsqueeze(2) tgt_mask = (tgt != 0).unsqueeze(1).unsqueeze(3) seq_length = tgt.size(1) nopeak_mask = (1 - torch.triu(torch.ones(1, seq_length, seq_length), diagonal=1)).bool() tgt_mask = tgt_mask & nopeak_mask return src_mask, tgt_mask def forward(self, src, tgt): src_mask, tgt_mask = self.generate_mask(src, tgt) src_embedded = self.dropout(self.positional_encoding(self.encoder_embedding(src))) tgt_embedded = self.dropout(self.positional_encoding(self.decoder_embedding(tgt))) enc_output = src_embedded for enc_layer in self.encoder_layers: enc_output = enc_layer(enc_output, src_mask) dec_output = tgt_embedded for dec_layer in self.decoder_layers: dec_output = dec_layer(dec_output, enc_output, src_mask, tgt_mask) output = self.fc(dec_output) return output

Класс Transformer объединяет ранее определённые модули для создания полной модели Transformer. Во время инициализации модуль Transformer устанавливает входные параметры и инициализирует различные компоненты, в том числе встраивающие слои для исходной и целевой последовательностей, модуль PositionalEncoding, модули EncoderLayer и DecoderLayer для создания сложенных слоев, линейный слой для проецирования выходных данных декодера и слой исключения.

Метод generate_mask создаёт двоичные маски для исходной и целевой последовательностей, чтобы игнорировать маркеры заполнения и не допускать, чтобы декодер обращался к будущим маркерам. Прямой метод вычисляет выходные данные модели Transformer с помощью следующих шагов:

Генерация исходной и целевой маски с помощью метода generate_mask.
Вычисление исходного и целевого встраивания, а также применение позиционного кодирования и отсев.
Обработка исходной последовательности через слои кодировщика, обновив тензор enc_output.
Обработка целевой последовательности через слои декодера, используя enc_output и маски, и обновление тензора dec_output.
Применение слоя линейной проекции к выходным данным декодера, получив выходные логиты.

Эти шаги позволяют модели Transformer обрабатывать входные последовательности и генерировать выходные последовательности на основе объединенной функциональности её компонентов.

В этом примере мы создадим маленький набор данных для демонстрационных целей. На практике вы должны использовать больший набор данных, предварительно обработать текст и создать сопоставление словарей для исходного и целевого языков.

src_vocab_size = 5000 tgt_vocab_size = 5000 d_model = 512 num_heads = 8 num_layers = 6 d_ff = 2048 max_seq_length = 100 dropout = 0.1 transformer = Transformer(src_vocab_size, tgt_vocab_size, d_model, num_heads, num_layers, d_ff, max_seq_length, dropout) # Generate random sample data src_data = torch.randint(1, src_vocab_size, (64, max_seq_length)) # (batch_size, seq_length) tgt_data = torch.randint(1, tgt_vocab_size, (64, max_seq_length)) # (batch_size, seq_length)

Теперь мы будем обучать модель, используя образцы данных. На практике вы должны использовать больший набор данных и разделить его на наборы для обучения и проверки.

criterion = nn.CrossEntropyLoss(ignore_index=0) optimizer = optim.Adam(transformer.parameters(), lr=0.0001, betas=(0.9, 0.98), eps=1e-9) transformer.train() for epoch in range(100): optimizer.zero_grad() output = transformer(src_data, tgt_data[:, :-1]) loss = criterion(output.contiguous().view(-1, tgt_vocab_size), tgt_data[:, 1:].contiguous().view(-1)) loss.backward() optimizer.step() print(f"Epoch: {epoch+1}, Loss: {loss.item()}")

Мы можем использовать этот способ для создания простой модели Transformer с нуля в Pytorch. Все большие языковые модели используют эти блоки кодировщика или декодера Transformer для обучения. Следовательно, понимание сети, с которой всё началось, чрезвычайно важно. Надеюсь, эта статья поможет всем, кто хочет глубже погрузиться в LLM.

А. Васвани , Н. Шазир , Н. Пармар , Дж. Ушкорейт , Л. Джонс , А. Гомес , {. Кайзер , И. Полосухин . Достижения в области нейронных систем обработки информации, стр. 5998–6008. ( 2017 )

Создайте свою собственную модель Transformer с нуля с помощью PyTorch

Multi-Head Attention

Position-wise Feed-Forward Networks

Positional Encoding

Слой кодировщика

Слой декодера

Модель Transformer

Подготовка выборочных данных

Обучение модели

Рекомендации

Attention is all you need