CommencerCommencer gratuitement

Compléter le transformer décodeur

Il est temps de construire le corps du transformer côté décodeur ! Il s’agit de combiner les classes InputEmbeddings, PositionalEncoding et DecoderLayer que vous avez créées auparavant.

Cet exercice fait partie du cours

Modèles Transformer avec PyTorch

Afficher le cours

Instructions

  • Définissez une liste de couches de décodeur de longueur num_layers à l’aide d’une compréhension de liste et de la classe DecoderLayer.
  • Définissez une couche linéaire pour projeter les états cachés en probabilités de mots.
  • Complétez le passage avant à travers les couches définies dans __init__.
  • Instanciez un transformer décodeur et appliquez-le à input_tokens et tgt_mask.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

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)
Modifier et exécuter le code