PyTorch快餐教程2019 (1) - 從Transformer說起

深度學習已經從熱門技能向必備技能方向發展。然而，技術發展的道路并不是直線上升的，并不是說掌握了全連接配接網絡、卷積網絡和循環神經網絡就可以暫時休息了。至少如果想做自然語言處理的話并非如此。

2017年，Google Brain的Ashish Vaswani等人發表了《Attention is all you need》的論文，提出隻用Attention機制，不用RNN也不用CNN，就可以做到在WMT 2014英譯德上當時的BLEU最高分28.4.

RNN機器翻譯簡史

在Transformer模型被提出之前，機器翻譯一直是以RNN為主。

使用的工具是著名的RNN的兩個改進版，1997年提出的長短時記憶網絡LSTM和2014年提出的門控循環單元GRU。這三種實作均在torch.nn包中有提供。

應用這兩項工具，2014年成為機器翻譯的突破性一年。

2014年，主流的機器翻譯方法seq2seq被提出，論文為《Sequence to sequence learning with neural networks》。

同年，機器翻譯中使用編碼器-解碼器的方案在論文《Learning phrase representations using rnn encoder-decoder for statistical machine translation》中被讨論。

同樣是差不多的一批人，Bahdanau等人提出了主流的NMT方法，論文為《Neural machine translation by jointly learning to align and translate》将Attention機制引入到機器翻譯中來。

NMT翻譯方法成熟之後，Google團隊迅速将其工程化，論文《Google’s neural machine translation system: Bridging the gap between human and machine translation》中介紹了他們的實作方法。

後面有研究提高效率的《Effective approaches to attention based neural machine translation》，和解決限制的《Exploring the limits of language modeling》。

說了這麼多，我們主要記住三個詞就好，分别是編碼器，解碼器，注意力機制。這一講的主題Transformer模型仍然沒有超出這三點。

後面對于Attention的機制越來越熱門，比如《Structured attention networks》。但是這些Attention也基本上是跟RNN結合在一起的。

Attention中值得一提的是自注意力機制self-attention，這是在機器閱讀了解等領域被廣泛證明的技術。

Transformer的基本結構如下：

在Transformer中主要使用的兩種Attention機制如下：

Transformer先跑起來玩一玩

下面我們以PyTorch官方教程的Transformer例子為例，讓大家先搭建起來一個可以跑可以玩的模型。

Positional Encoding

Transformer對于位置資訊的編碼是通過正弦曲線來完成的。我們來看代碼：

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層的引入

現在在torch.nn中，TransformerEncoder和TransformerDecoder也像LSTM和GRU一樣提供了。我們可以将其組織一下，和上面的位置編碼器組合在一起：

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

我們通過調用方法看下幾個參數的含義：

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)

詞嵌入層

ntokens是詞表的大小，emsize是詞嵌入層的維數，對應于模型中的形參ninp：

self.encoder = nn.Embedding(ntoken, ninp)
        self.ninp = ninp
        self.decoder = nn.Linear(ninp, ntoken)

從上面可以看到，encoder是詞嵌入層，詞表大小是ntoken,也就是len(TEXT.vocab.stoi)，而詞嵌入層的次元是200維。

torch.nn.Embedding的完整定義如下：

CLASS torch.nn.Embedding(num_embeddings, embedding_dim, padding_idx=None, max_norm=None, norm_type=2.0, scale_grad_by_freq=False, sparse=False, _weight=None)

而decoder是個全連接配接層，輸入是200，輸出是len(TEXT.vocab.stoi)。

TransformerEncoder

PyTorch中實作Transformer

torch.nn.TransformerEncoderLayer(d_model, nhead, dim_feedforward=2048, dropout=0.1, activation='relu')

其中的參數含義：

d_model – 必選參數，輸入的特征數
nhead – 必選參數，multi head attention models有多少個head.
dim_feedforward – 回報網絡的維數，預設是2048維
dropout – dropout值，預設為0.1
activation – 中間層的激活函數，可選值是relu和gelu

對照本例，我們看看這些參數給的是什麼：

encoder_layers = TransformerEncoderLayer(ninp, nhead, nhid, dropout)

ninp又是剛才的emsize，200維的詞嵌入式維數。

nhead本例中是2，nhid層仍然選200維。dropout和激活函數保持預設值不變。

一個Encoder一般不夠用，我們通常會多堆幾層。TransformerEncoder是由多個TransformerEncoderLayer所構成：

self.transformer_encoder = TransformerEncoder(encoder_layers, nlayers)

本例中我們nlayers取2層。

mask

模組化做好之後，資料輸入之時，TransformerEncoder還需要一個mask：

output = self.transformer_encoder(src, self.src_mask)

這個mask是用來遮擋住部分視野的，我們來看看代碼中實作的mask是個什麼鬼？

如果沒有指定的話，就給它生成一個：

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

生成的過程如下：

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

首先是通過triu函數生成一個上對角陣，然後将其轉置，生成的結果是這樣的：

tensor([[ True, False, False,  ..., False, False, False],
        [ True,  True, False,  ..., False, False, False],
        [ True,  True,  True,  ..., False, False, False],
        ...,
        [ True,  True,  True,  ...,  True, False, False],
        [ True,  True,  True,  ...,  True,  True, False],
        [ True,  True,  True,  ...,  True,  True,  True]])

然後給這個矩陣指派成負無窮和0，變成這樣：

mask2= tensor([[0., -inf, -inf, ..., -inf, -inf, -inf],

[0., 0., -inf,  ..., -inf, -inf, -inf],
    [0., 0., 0.,  ..., -inf, -inf, -inf],
    ...,
    [0., 0., 0.,  ..., 0., -inf, -inf],
    [0., 0., 0.,  ..., 0., 0., -inf],
    [0., 0., 0.,  ..., 0., 0., 0.]])

準備資料

我們取Wikitext2為訓練資料：

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")

這個資料是用作語言模型用途的，也就是訓練在給定前面的token序列下，推理後面該出現的最可能的token的過程。

然後将其拆分成若幹個批次：

def batchify(data, bsz):
    # print(data.examples[0].text)
    data = TEXT.numericalize([data.examples[0].text])
    # Divide the dataset into bsz parts.
    nbatch = data.size(0) // bsz
    print(nbatch)
    # 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)

将其分為訓練集、測試集和驗證集：

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)

接着我們還要為Transformer模型做準備，将源資料切成bptt長度的小段：

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

訓練過程

模組化齊備之後，後面PyTorch的訓練過程就是例行公事地擷取資料，model，criterion，backward，step幾步曲了。

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()

驗證過程

同樣，驗證過程也是大同小異：

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)

多次訓練改進效果

最後，我們可以多訓練幾次，看看效果的提升：

best_val_loss = float("inf")
epochs = 3 # The number of epochs
best_model = None

for epoch in range(1, epochs + 1):
    train()
    val_loss = evaluate(model, val_data)

    if val_loss < best_val_loss:
        best_val_loss = val_loss
        best_model = model

    scheduler.step()

這樣，一個Transformer訓練語言模型的完整過程就算是圓滿完成了。

PyTorch快餐教程2019 (1) - 從Transformer說起PyTorch快餐教程2019 (1) - 從Transformer說起

PyTorch快餐教程2019 (1) - 從Transformer說起

RNN機器翻譯簡史

Transformer先跑起來玩一玩

Positional Encoding

Transformer層的引入

詞嵌入層

TransformerEncoder

mask

準備資料

訓練過程

驗證過程

多次訓練改進效果

繼續閱讀

pytorch 基于 apex.amp 的混合精度訓練：原理介紹與實作

9、TORCH.UTILS.MODEL_ZOO

梯度累加及torch實作1. 什麼是梯度累加2. 梯度累加的過程3. 實驗4. 參考

torch.nn.Upsample實作上采樣

anaconda中科大鏡像

NLP從入門到放棄_IBM Model1IBM Model1

深度學習的一些小記錄裡面有一部分是摘錄

LabelImg的安裝與使用（Anaconda環境）Labellmg的安裝

pytorch：List中包含Tensor的grad資料怎麼辦？

Pytorch機器學習（九）—— YOLO中對于錨框，預測框，産生候選區域及對候選區域進行标注詳解 Pytorch機器學習（九）—— YOLO中錨框，預測框，産生候選區域及對候選區域進行标注詳解前言一、基本概念二、代碼講解總結

CogView: Mastering Text-to-Image Generation via Transformers翻譯摘要1.介紹2.方法3.Finetuning

【深度學習】損失函數記錄0. 前言1. 正文參考文獻

深度學習之卷積01 卷積02 填充Padding03 步幅Stride04 卷積核的選擇05 多通道卷積參考

K-近鄰算法以及圖像分類應用

解碼器用于語義分割：資料依賴的解碼可以實作靈活的特征聚合

【Torch】最簡潔logging使用指南