Začněte nyníZačněte zdarma

Dokončení dekodérového transformeru

Čas sestavit tělo dekodérového transformeru! Zkombinuješ třídy InputEmbeddings, PositionalEncoding a DecoderLayer, které jsi vytvořil/a dříve.

Toto cvičení je součástí kurzu

Transformer Models with PyTorch

Zobrazit kurz

Pokyny k cvičení

  • Pomocí list comprehension a třídy DecoderLayer definuj seznam num_layers dekodérových vrstev.
  • Definuj lineární vrstvu, která promítne skryté stavy na pravděpodobnosti slov.
  • Dokonči dopředný průchod přes vrstvy definované v __init__.
  • Vytvoř instanci dekodérového transformeru a aplikuj ji na input_tokens a tgt_mask.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

class TransformerDecoder(nn.Module):
    def __init__(self, vocab_size, d_model, num_layers, num_heads, d_ff, dropout, max_seq_length):
        super(TransformerDecoder, self).__init__()
        self.embedding = InputEmbeddings(vocab_size, d_model)
        self.positional_encoding = PositionalEncoding(d_model, max_seq_length)
        # Define the list of decoder layers and linear layer
        self.layers = nn.____([____(d_model, num_heads, d_ff, dropout) for _ in range(num_layers)])
        # Define a linear layer to project hidden states to likelihoods
        self.fc = ____
  
    def forward(self, x, tgt_mask):
        # Complete the forward pass
        x = self.____(x)
        x = self.____(x)
        for layer in self.layers:
            x = ____
        x = self.____(x)
        return F.log_softmax(x, dim=-1)

# Instantiate a decoder transformer and apply it to input_tokens and tgt_mask
transformer_decoder = ____(vocab_size, d_model, num_layers, num_heads, d_ff, dropout, max_seq_length)   
output = ____
print(output)
print(output.shape)
Upravit a spustit kód