要查看圖文版教程叁熔，請移步：點擊這里
這是關于如何訓練使用 nn.Transformer module的序列到序列模型的教程硝桩。
PyTorch-1.2 版本包括一個基于論文 Attention is All You Need 的標準transformer模塊蕊爵。transformer模型在能夠處理多個序列到序列問題的同時具有更好的并行性。 nn.Transformer 模塊完全依賴于注意機制 (最近實現(xiàn)的另一個模塊是 nn.MultiheadAttention ） 來繪制輸入和輸出之間的全局依賴關系纯命。 nn.Transformer 模塊現(xiàn)在高度模塊化，因此單個組件 （如本教程中的 nn.TransformerEncoder ） 可以很容易地進行調整/組合荠藤。
../_images/transformer_architecture.jpg
定義模型
在本教程中斩个，我們將在語言建模任務中訓練 nn.TransformerEncoder 模型半抱。語言建模任務是為給定單詞（或一系列單詞）跟隨另外一系列單詞出現(xiàn)的可能性指定一個概率脓恕。 先將一系列標記(tokens)傳遞到嵌入層(embedding layer)，然后是位置編碼層(positional encoding layer)窿侈， 以說明單詞的順序（有關詳細信息炼幔，請參閱下一段）。 nn.TransformerEncoder 由多層 nn.TransformerEncoderLayer 組成史简。 由于 nn.TransformerEncoder 中的自關注層(self-attention layers)只允許關注序列中的早期位置乃秀，因此需要一個方形的關注掩碼(attention mask)與輸入序列一起工作。 對于語言建模任務，應該屏蔽未來位置上的任何標記环形。為了得到實際的單詞策泣， nn.TransformerEncoder 模型的輸出被發(fā)送到最終的線性層，然后是log-Softmax函數抬吟。
import math
import torch
import torch.nn as nn
import torch.nn.functional as F
class TransformerModel(nn.Module):
def __init__(self, ntoken, ninp, nhead, nhid, nlayers, dropout=0.5):
super(TransformerModel, self).__init__()
from torch.nn import TransformerEncoder, TransformerEncoderLayer
self.model_type = 'Transformer'
self.src_mask = None
self.pos_encoder = PositionalEncoding(ninp, dropout)
encoder_layers = TransformerEncoderLayer(ninp, nhead, nhid, dropout)
self.transformer_encoder = TransformerEncoder(encoder_layers, nlayers)
self.encoder = nn.Embedding(ntoken, ninp)
self.ninp = ninp
self.decoder = nn.Linear(ninp, ntoken)
self.init_weights()
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
def init_weights(self):
initrange = 0.1
self.encoder.weight.data.uniform_(-initrange, initrange)
self.decoder.bias.data.zero_()
self.decoder.weight.data.uniform_(-initrange, initrange)
def forward(self, src):
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) * math.sqrt(self.ninp)
src = self.pos_encoder(src)
output = self.transformer_encoder(src, self.src_mask)
output = self.decoder(output)
return output
PositionalEncoding 模塊注入一些與標記(tokens)在序列中的相對或絕對位置有關的信息萨咕。 位置編碼與embeddings具有相同的維度，因此可以將兩者相加火本。這里危队，我們使用不同頻率的 sine 和 cosine 函數。
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)
加載數據并批量化
訓練過程使用來自 torchtext 的 Wikitext-2 數據集钙畔。vocab 對象是基于訓練數據集構建的茫陆，用于將標記(tokens)編號為張量。 函數 batchify() 的作用是將數據集排列成列擎析，在將數據劃分成 batch_size 大小的batch后簿盅，刪除所有剩余的標記。 例如揍魂，將字母表作為序列（總長度為26）桨醋， batch_size 為4，我們就可以將字母表劃分為4個長度為6的序列：
[ABC…XYZ]?????????????????????ABCDEF????????????????????GHIJKL????????????????????MNOPQR????????????????????STUVWX????????????????????
這些列被模型視為獨立的现斋，這意味著G和F的依賴性無法被學習到喜最，但這樣做可以使批處理更高效。
import torchtext
from torchtext.data.utils import get_tokenizer
TEXT = torchtext.data.Field(tokenize=get_tokenizer("basic_english"),
init_token='<sos>',
eos_token='<eos>',
lower=True)
train_txt, val_txt, test_txt = torchtext.datasets.WikiText2.splits(TEXT)
TEXT.build_vocab(train_txt)
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
def batchify(data, bsz):
data = TEXT.numericalize([data.examples[0].text])
# Divide the dataset into bsz parts.
nbatch = data.size(0) // bsz
# Trim off any extra elements that wouldn't cleanly fit (remainders).
data = data.narrow(0, 0, nbatch * bsz)
# Evenly divide the data across the bsz batches.
data = data.view(bsz, -1).t().contiguous()
return data.to(device)
batch_size = 20
eval_batch_size = 10
train_data = batchify(train_txt, batch_size)
val_data = batchify(val_txt, eval_batch_size)
test_data = batchify(test_txt, eval_batch_size)
生成輸入序列和目標序列的函數
get_batch() 函數為 transformer 模型產生輸入序列和目標序列庄蹋。 它將源數據細分為長度為 bptt.的塊(chunk)瞬内。 對于語言建模任務，模型需要后續(xù)單詞作為目標( Target )限书。 例如虫蝶，如果 bptt 值為2，我們將得到以下兩個 i = 0的變量(Variables)：
../_images/transformer_input_target.png
應該注意的是蔗包，塊(chunks)是沿著維度0的秉扑，與Transformer模型中的 S 維度一致。 batch維 N 是沿著維度 1 的调限。
bptt = 35
def get_batch(source, i):
seq_len = min(bptt, len(source) - 1 - i)
data = source[i:i+seq_len]
target = source[i+1:i+1+seq_len].view(-1)
return data, target
初始化一個實例
模型的超參數設置如下所示. vocab 的 size 與 vocab objects的length相同。
ntokens = len(TEXT.vocab.stoi) # the size of vocabulary
emsize = 200 # embedding dimension
nhid = 200 # the dimension of the feedforward network model in nn.TransformerEncoder
nlayers = 2 # the number of nn.TransformerEncoderLayer in nn.TransformerEncoder
nhead = 2 # the number of heads in the multiheadattention models
dropout = 0.2 # the dropout value
model = TransformerModel(ntokens, emsize, nhead, nhid, nlayers, dropout).to(device)
運行模型
CrossEntropyLoss 被用來跟蹤損失误澳，并且 SGD 被用作執(zhí)行梯度下降法的優(yōu)化器. 初始學習率被設為 5.0. StepLR 被用于在每個回合后調整學習率耻矮。 在訓練階段, 我們使用 nn.utils.clip_grad_norm_ 函數將所有梯度統(tǒng)一縮放以防止爆炸(exploding)。
criterion = nn.CrossEntropyLoss()
lr = 5.0 # learning rate
optimizer = torch.optim.SGD(model.parameters(), lr=lr)
scheduler = torch.optim.lr_scheduler.StepLR(optimizer, 1.0, gamma=0.95)
import time
def train():
model.train() # Turn on the train mode
total_loss = 0.
start_time = time.time()
ntokens = len(TEXT.vocab.stoi)
for batch, i in enumerate(range(0, train_data.size(0) - 1, bptt)):
data, targets = get_batch(train_data, i)
optimizer.zero_grad()
output = model(data)
loss = criterion(output.view(-1, ntokens), targets)
loss.backward()
torch.nn.utils.clip_grad_norm_(model.parameters(), 0.5)
optimizer.step()
total_loss += loss.item()
log_interval = 200
if batch % log_interval == 0 and batch > 0:
cur_loss = total_loss / log_interval
elapsed = time.time() - start_time
print('| epoch {:3d} | {:5d}/{:5d} batches | '
'lr {:02.2f} | ms/batch {:5.2f} | '
'loss {:5.2f} | ppl {:8.2f}'.format(
epoch, batch, len(train_data) // bptt, scheduler.get_lr()[0],
elapsed * 1000 / log_interval,
cur_loss, math.exp(cur_loss)))
total_loss = 0
start_time = time.time()
def evaluate(eval_model, data_source):
eval_model.eval() # Turn on the evaluation mode
total_loss = 0.
ntokens = len(TEXT.vocab.stoi)
with torch.no_grad():
for i in range(0, data_source.size(0) - 1, bptt):
data, targets = get_batch(data_source, i)
output = eval_model(data)
output_flat = output.view(-1, ntokens)
total_loss += len(data) * criterion(output_flat, targets).item()
return total_loss / (len(data_source) - 1)
逐個回合(epoch)的循環(huán)忆谓。如果驗證損失是我們從訓練開始迄今為止看到的最好的裆装，則保存模型。每個epoch后調整學習率。
best_val_loss = float("inf")
epochs = 3 # The number of epochs
best_model = None
for epoch in range(1, epochs + 1):
epoch_start_time = time.time()
train()
val_loss = evaluate(model, val_data)
print('-' * 89)
print('| end of epoch {:3d} | time: {:5.2f}s | valid loss {:5.2f} | '
'valid ppl {:8.2f}'.format(epoch, (time.time() - epoch_start_time),
val_loss, math.exp(val_loss)))
print('-' * 89)
if val_loss < best_val_loss:
best_val_loss = val_loss
best_model = model
scheduler.step()
在測試集上評估模型
應用最佳模型(best model)在測試數據集上檢查結果哨免。
test_loss = evaluate(best_model, test_data)
print('=' * 89)
print('| End of training | test loss {:5.2f} | test ppl {:8.2f}'.format(
test_loss, math.exp(test_loss)))
print('=' * 89)
