公众号关注 “ML_NLP”
设为 “星标”，重磅干货，第一时间送达！
大数据文摘出品
编译：林安安、钱天培
与基于RNN的方法相比，Transformer 不需要循环，主要是由Attention 机制组成，因而可以充分利用python的高效线性代数函数库，大量节省训练时间。
可是，文摘菌却经常听到同学抱怨，Transformer学过就忘，总是不得要领。
怎么办？那就自己搭一个Transformer吧！
上图是谷歌提出的transformer 架构，其本质上是一个Encoder-Decoder的结构。把英文句子输入模型，模型会输出法文句子。
要搭建Transformer，我们必须要了解5个过程:
  • 词向量层
  • 位置编码
  • 创建Masks
  • 多头注意层（The Multi-Head Attention layer）
  • Feed Forward层
词向量
词向量是神经网络机器翻译（NMT）的标准训练方法，能够表达丰富的词义信息。
在pytorch里很容易实现词向量：
classEmbedder
(nn.Module):

def__init__
(self, vocab_size, d_model):

super().__init__()

self.embed = nn.Embedding(vocab_size, d_model)

defforward
(self, x):

return
self.embed(x)
当每个单词进入后，代码就会查询和检索词向量。模型会把这些向量当作参数进行学习，并随着梯度下降的每次迭代而调整。
给单词赋予上下文语境：位置编程
模型理解一个句子有两个要素：一是单词的含义，二是单词在句中所处的位置。
每个单词的嵌入向量会学习单词的含义，所以我们需要输入一些信息，让神经网络知道单词在句中所处的位置。
Vasmari用下面的函数创建位置特异性常量来解决这类问题：
这个常量是一个2D矩阵。Pos代表了句子的顺序，i代表了嵌入向量所处的维度位置。在pos/i矩阵中的每一个值都可以通过上面的算式计算出来。
位置编码矩阵是一个常量，它的值可以用上面的算式计算出来。把常量嵌入矩阵，然后每个嵌入的单词会根据它所处的位置发生特定转变。
位置编辑器的代码如下所示：

classPositionalEncoder
(nn.Module):

def__init__
(self, d_model, max_seq_len =
80
):

super().__init__()

self.d_model = d_model


# create constant 'pe' matrix with values dependant on
# pos and i
pe = torch.zeros(max_seq_len, d_model)

for
pos
in
range(max_seq_len):

for
i
in
range(
0
, d_model,
2
):

pe[pos, i] = \

math.sin(pos / (
10000
** ((
2
* i)/d_model)))

pe[pos, i +
1
] = \

math.cos(pos / (
10000
** ((
2
* (i +
1
))/d_model)))


pe = pe.unsqueeze(
0
)

self.register_buffer(
'pe'
, pe)


defforward
(self, x):

# make embeddings relatively larger
x = x * math.sqrt(self.d_model)

#add constant to embedding
seq_len = x.size(
1
)

x = x + Variable(self.pe[:,:seq_len], \

requires_grad=
False
).cuda()

return
x
以上模块允许我们向嵌入向量添加位置编码（positional encoding），为模型架构提供信息。
在给词向量添加位置编码之前，我们要扩大词向量的数值，目的是让位置编码相对较小。这意味着向词向量添加位置编码时，词向量的原始含义不会丢失。
创建Masks
Masks在transformer模型中起重要作用，主要包括两个方面：
在编码器和解码器中：当输入为padding，注意力会是0。
在解码器中：预测下一个单词，避免解码器偷偷看到后面的翻译内容。
输入端生成一个mask很简单：
batch = next(iter(train_iter))

input_seq = batch.English.transpose(
0
,
1
)

input_pad = EN_TEXT.vocab.stoi[
'<pad>'
]


# creates mask with 0s wherever there is padding in the input
input_msk = (input_seq != input_pad).unsqueeze(
1
)
同样的，Target_seq也可以生成一个mask，但是会额外增加一个步骤：
# create mask as before
target_seq = batch.French.transpose(
0
,
1
)

target_pad = FR_TEXT.vocab.stoi[
'<pad>'
]

target_msk = (target_seq != target_pad).unsqueeze(
1
)

size = target_seq.size(
1
)
# get seq_len for matrix

nopeak_mask = np.triu(np.ones(
1
, size, size),

k=
1
).astype(
'uint8'
)

nopeak_mask = Variable(torch.from_numpy(nopeak_mask) ==
0
)


target_msk = target_msk & nopeak_mask
目标语句（法语翻译内容）作为初始值输进解码器中。解码器通过编码器的全部输出，以及目前已翻译的单词来预测下一个单词。
因此，我们需要防止解码器偷看到还没预测的单词。为了达成这个目的，我们用到了nopeak_mask函数：
当在注意力函数中应用mask，每一次预测都只会用到这个词之前的句子。
多头注意力
一旦我们有了词向量(带有位置编码)和masks，我们就可以开始构建模型层了。
下图是多头注意力的结构：
多头注意力层，每一个输入都会分成多头（multiple heads），从而让网络同时“注意”每一个词向量的不同部分。
V,K和Q分别代表“key”、“value”和“query”，这些是注意力函数的相关术语，但我不觉得解释这些术语会对理解这个模型有任何帮助。
在编码器中，V、K和G将作为词向量（加上位置编码）的相同拷贝。它们具有维度Batch_size * seq_len * d_model.
在多头注意力中，我们把嵌入向量分进N个头中，它们就有了维度（batch_size * N * seq_len * (d_model / N).
我们定义最终维度 (d_model / N )为d_k。
让我们来看看解码器模块的代码：
classMultiHeadAttention
(nn.Module):

def__init__
(self, heads, d_model, dropout =
0.1
):

super().__init__()

self.d_model = d_model

self.d_k = d_model // heads

self.h = heads

self.q_linear = nn.Linear(d_model, d_model)

self.v_linear = nn.Linear(d_model, d_model)

self.k_linear = nn.Linear(d_model, d_model)

self.dropout = nn.Dropout(dropout)

self.out = nn.Linear(d_model, d_model)
defforward
(self, q, k, v, mask=None):

bs = q.size(
0
)


# perform linear operation and split into h heads

k = self.k_linear(k).view(bs,
-1
, self.h, self.d_k)

q = self.q_linear(q).view(bs,
-1
, self.h, self.d_k)

v = self.v_linear(v).view(bs,
-1
, self.h, self.d_k)


# transpose to get dimensions bs * h * sl * d_model

k = k.transpose(
1
,
2
)

q = q.transpose(
1
,
2
)

v = v.transpose(
1
,
2
)

# calculate attention using function we will define next
scores = attention(q, k, v, self.d_k, mask, self.dropout)

# concatenate heads and put through final linear layer
concat = scores.transpose(
1
,
2
).contiguous()\

.view(bs,
-1
, self.d_model)

output = self.out(concat)

return
output
计算注意力
计算注意力的公式
图解公式
这是另一个我们需要了解的公式，上面这幅图很好地解释了这个公式。
图中的每个箭头代表了公式的一部分。
首先，我们要用Q乘以K的转置函数（transpose），然后通过除以d_k的平方根来实现scaled函数。
方程中没有显示的一个步骤是masking。在执行Softmax之前，我们使用mask，减少输入填充（padding）的值。
另一个未显示的步骤是dropout，我们将在Softmax之后使用它。
最后一步是在目前为止的结果和V之间做点积（dot product）。
下面是注意力函数的代码：
defattention
(q, k, v, d_k, mask=None, dropout=None):

scores = torch.matmul(q, k.transpose(
-2
,
-1
)) / math.sqrt(d_k)

if
mask
isnotNone
:

mask = mask.unsqueeze(
1
)

scores = scores.masked_fill(mask ==
0
,
-1e9
)

scores = F.softmax(scores, dim=
-1
)


if
dropout
isnotNone
:

scores = dropout(scores)


output = torch.matmul(scores, v)

return
output
前馈网络
好了，如果你现在已经理解以上部分，我们就进入最后一步！
这一层由两个线性运算组成，两层中夹有relu和dropout 运算。

classFeedForward
(nn.Module):

def__init__
(self, d_model, d_ff=
2048
, dropout =
0.1
):

super().__init__()

# We set d_ff as a default to 2048
self.linear_1 = nn.Linear(d_model, d_ff)

self.dropout = nn.Dropout(dropout)

self.linear_2 = nn.Linear(d_ff, d_model)

defforward
(self, x):

x = self.dropout(F.relu(self.linear_1(x)))

x = self.linear_2(x)

return
x
最后一件事：归一化
在深度神经网络中，归一化是非常重要的。它可以防止层中值变化太多，这意味着模型训练速度更快，具有更好的泛化。
我们在编码器/解码器的每一层之间归一化我们的结果，所以在构建我们的模型之前，让我们先定义这个函数:

classNorm
(nn.Module):

def__init__
(self, d_model, eps =
1e-6
):

super().__init__()


self.size = d_model

# create two learnable parameters to calibrate normalisation
self.alpha = nn.Parameter(torch.ones(self.size))

self.bias = nn.Parameter(torch.zeros(self.size))

self.eps = eps

defforward
(self, x):

norm = self.alpha * (x - x.mean(dim=
-1
, keepdim=
True
)) \

/ (x.std(dim=
-1
, keepdim=
True
) + self.eps) + self.bias

return
norm
把所有内容结合起来！
如果你已经清楚了上述相关细节，那么你就能理解Transformer模型啦。剩下的就是把一切都组装起来。
让我们再来看看整体架构，然后开始构建:
最后一个变量:如果你仔细看图，你可以看到编码器和解码器旁边有一个“Nx”。实际上，上图中的编码器和解码器分别表示编码器的一层和解码器的一层。N是层数的变量。比如，如果N=6，数据经过6个编码器层(如上所示的结构)，然后将这些输出传给解码器，解码器也由6个重复的解码器层组成。
现在，我们将使用上面模型中所示的结构构建编码器层和解码器层模块。在我们构建编码器和解码器时，我们可以决定层的数量。
# build an encoder layer with one multi-head attention layer and one # feed-forward layer

classEncoderLayer
(nn.Module):

def__init__
(self, d_model, heads, dropout =
0.1
):

super().__init__()

self.norm_1 = Norm(d_model)

self.norm_2 = Norm(d_model)

self.attn = MultiHeadAttention(heads, d_model)

self.ff = FeedForward(d_model)

self.dropout_1 = nn.Dropout(dropout)

self.dropout_2 = nn.Dropout(dropout)


defforward
(self, x, mask):

x2 = self.norm_1(x)

x = x + self.dropout_1(self.attn(x2,x2,x2,mask))

x2 = self.norm_2(x)

x = x + self.dropout_2(self.ff(x2))

return
x


# build a decoder layer with two multi-head attention layers and
# one feed-forward layer

classDecoderLayer
(nn.Module):

def__init__
(self, d_model, heads, dropout=
0.1
):

super().__init__()

self.norm_1 = Norm(d_model)

self.norm_2 = Norm(d_model)

self.norm_3 = Norm(d_model)


self.dropout_1 = nn.Dropout(dropout)

self.dropout_2 = nn.Dropout(dropout)

self.dropout_3 = nn.Dropout(dropout)


self.attn_1 = MultiHeadAttention(heads, d_model)

self.attn_2 = MultiHeadAttention(heads, d_model)

self.ff = FeedForward(d_model).cuda()


defforward
(self, x, e_outputs, src_mask, trg_mask):

x2 = self.norm_1(x)

x = x + self.dropout_1(self.attn_1(x2, x2, x2, trg_mask))

x2 = self.norm_2(x)

x = x + self.dropout_2(self.attn_2(x2, e_outputs, e_outputs,

src_mask))

x2 = self.norm_3(x)

x = x + self.dropout_3(self.ff(x2))

return
x


# We can then build a convenient cloning function that can generate multiple layers:

defget_clones
(module, N):

return
nn.ModuleList([copy.deepcopy(module)
for
i
in
range(N)])
我们现在可以构建编码器和解码器了：
classEncoder
(nn.Module):

def__init__
(self, vocab_size, d_model, N, heads):

super().__init__()

self.N = N

self.embed = Embedder(vocab_size, d_model)

self.pe = PositionalEncoder(d_model)

self.layers = get_clones(EncoderLayer(d_model, heads), N)

self.norm = Norm(d_model)

defforward
(self, src, mask):

x = self.embed(src)

x = self.pe(x)

for
i
in
range(N):

x = self.layers[i](x, mask)

return
self.norm(x)


classDecoder
(nn.Module):

def__init__
(self, vocab_size, d_model, N, heads):

super().__init__()

self.N = N

self.embed = Embedder(vocab_size, d_model)

self.pe = PositionalEncoder(d_model)

self.layers = get_clones(DecoderLayer(d_model, heads), N)

self.norm = Norm(d_model)

defforward
(self, trg, e_outputs, src_mask, trg_mask):

x = self.embed(trg)

x = self.pe(x)

for
i
in
range(self.N):

x = self.layers[i](x, e_outputs, src_mask, trg_mask)

return
self.norm(x)

Transformer模型构建完毕！
classTransformer
(nn.Module):

def__init__
(self, src_vocab, trg_vocab, d_model, N, heads):

super().__init__()

self.encoder = Encoder(src_vocab, d_model, N, heads)

self.decoder = Decoder(trg_vocab, d_model, N, heads)

self.out = nn.Linear(d_model, trg_vocab)

defforward
(self, src, trg, src_mask, trg_mask):

e_outputs = self.encoder(src, src_mask)

d_output = self.decoder(trg, e_outputs, src_mask, trg_mask)

output = self.out(d_output)

return
output


# we don't perform softmax on the output as this will be handled
# automatically by our loss function
训练模型
构建完transformer，接下来要做的是用EuroParl数据集进行训练。编码部分非常简单，但是要等两天，模型才会开始converge!
让我们先来定义一些参数：
d_model =
512
heads =
8
N =
6
src_vocab = len(EN_TEXT.vocab)

trg_vocab = len(FR_TEXT.vocab)


model = Transformer(src_vocab, trg_vocab, d_model, N, heads)


for
p
in
model.parameters():

if
p.dim() >
1
:

nn.init.xavier_uniform_(p)


# this code is very important! It initialises the parameters with a
# range of values that stops the signal fading or getting too big.
# See this blog for a mathematical explanation.

optim = torch.optim.Adam(model.parameters(), lr=
0.0001
, betas=(
0.9
,
0.98
), eps=
1e-9
)
现在，我们可以开始训练了：
deftrain_model
(epochs, print_every=
100
):

model.train()


start = time.time()

temp = start


total_loss =
0

for
epoch
in
range(epochs):


for
i, batch
in
enumerate(train_iter):


src = batch.English.transpose(
0
,
1
)

trg = batch.French.transpose(
0
,
1
)


# the French sentence we input has all words except
# the last, as it is using each word to predict the next

trg_input = trg[:, :
-1
]


# the words we are trying to predict

targets = trg[:,
1
:].contiguous().view(
-1
)


# create function to make masks using mask code above

src_mask, trg_mask = create_masks(src, trg_input)


preds = model(src, trg_input, src_mask, trg_mask)


optim.zero_grad()


loss = F.cross_entropy(preds.view(
-1
, preds.size(
-1
)),

results, ignore_index=target_pad)


loss.backward()

optim.step()


total_loss += loss.data[
0
]

if
(i +
1
) % print_every ==
0
:

loss_avg = total_loss / print_every

print(
"time = %dm, epoch %d, iter = %d, loss = %.3f,

%ds per %d iters"
% ((time.time() - start) //
60
,

epoch +
1
, i +
1
, loss_avg, time.time() - temp,

print_every))

total_loss =
0
temp = time.time()
示例训练输出：经过几天的训练后，模型的损失函数收敛到了大约1.3。
测试模型
我们可以使用下面的函数来翻译句子。我们可以直接输入句子，或者输入自定义字符串。
翻译器通过运行一个循环来工作。我们对英语句子进行编码。把<sos> token输进解码器，编码器输出。然后，解码器对第一个单词进行预测，使用<sos> token将其加进解码器的输入。接着，重新运行循环，获取下一个单词预测，将其加入解码器的输入，直到<sos> token完成翻译。
deftranslate
(model, src, max_len =
80
, custom_string=False):


model.eval()


if
custom_sentence ==
True
:

src = tokenize_en(src)

sentence=\

Variable(torch.LongTensor([[EN_TEXT.vocab.stoi[tok]
for
tok

in
sentence]])).cuda()


src_mask = (src != input_pad).unsqueeze(
-2
)

e_outputs = model.encoder(src, src_mask)


outputs = torch.zeros(max_len).type_as(src.data)

outputs[
0
] = torch.LongTensor([FR_TEXT.vocab.stoi[
'<sos>'
]])


for
i
in
range(
1
, max_len):


trg_mask = np.triu(np.ones((
1
, i, i),

k=
1
).astype(
'uint8'
)

trg_mask= Variable(torch.from_numpy(trg_mask) ==
0
).cuda()


out = model.out(model.decoder(outputs[:i].unsqueeze(
0
),

e_outputs, src_mask, trg_mask))

out = F.softmax(out, dim=
-1
)

val, ix = out[:,
-1
].data.topk(
1
)


outputs[i] = ix[
0
][
0
]

if
ix[
0
][
0
] == FR_TEXT.vocab.stoi[
'<eos>'
]:

break

return' '
.join(

[FR_TEXT.vocab.itos[ix]
for
ix
in
outputs[:i]]

)
Transformer模型的构建过程大致就是这样。想要获取完整代码，可以进入下面这个Github页面：
https://github.com/SamLynnEvans/Transformer
相关报道：
https://towardsdatascience.com/how-to-code-the-transformer-in-pytorch-24db27c8f9ec
重磅！忆臻自然语言处理-学术微信交流群已成立
可以扫描下方二维码入群交流，
注意：请大家添加时修改备注为 [学校/公司 + 姓名 + 方向]
例如 —— 哈工大+张三+对话系统。
号主，微商请自觉绕道。谢谢！

推荐阅读：
全连接的图卷积网络(GCN)和self-attention这些机制的区别与联系

图卷积网络(GCN)新手村完全指南
论文赏析[ACL18]基于Self-Attentive的成分句法分析

继续阅读
阅读原文