Tělo enkodérového transformeru
Tělo tvého enkodérového transformeru je skoro hotové! Teď je čas spojit třídy InputEmbeddings, PositionalEncoding a EncoderLayer, které jsi vytvořil/a dříve, do třídy TransformerEncoder.
Toto cvičení je součástí kurzu
Transformer Models with PyTorch
Pokyny k cvičení
- Definuj token embedding, poziční kódování a enkodérové vrstvy (pomocí list comprehension vytvoř
num_layersenkodérových vrstev). - Proveď forward pass skrz tyto vrstvy.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
class TransformerEncoder(nn.Module):
def __init__(self, vocab_size, d_model, num_layers, num_heads, d_ff, dropout, max_seq_length):
super().__init__()
# Define the embedding, positional encoding, and encoder layers
self.embedding = ____(vocab_size, d_model)
self.positional_encoding = ____(d_model, max_seq_length)
self.layers = nn.____([____(d_model, num_heads, d_ff, dropout) for _ in range(num_layers)])
def forward(self, x, src_mask):
# Perform the forward pass through the layers
x = self.____(x)
x = self.____(x)
for layer in ____:
x = layer(x, src_mask)
return x