Cross-attention toevoegen aan de decoderlaag
Om de encoder- en decoderstacks die je eerder hebt gedefinieerd samen te brengen in een encoder-decoder-transformer, moet je een cross-attention-mechanisme maken dat als brug tussen beide fungeert.
De MultiHeadAttention-klasse die je eerder hebt gedefinieerd is nog steeds beschikbaar.
Deze oefening maakt deel uit van de cursus
Transformermodels met PyTorch
Oefeninstructies
- Definieer in de
__init__-methode een cross-attention-mechanisme (metMultiHeadAttention) en een derde laagnormalisatie (metnn.LayerNorm). - Maak de forward pass af om cross-attention toe te voegen aan de decoderlaag.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
class DecoderLayer(nn.Module):
def __init__(self, d_model, num_heads, d_ff, dropout):
super().__init__()
self.self_attn = MultiHeadAttention(d_model, num_heads)
# Define cross-attention and a third layer normalization
self.cross_attn = ____
self.ff_sublayer = FeedForwardSubLayer(d_model, d_ff)
self.norm1 = nn.LayerNorm(d_model)
self.norm2 = nn.LayerNorm(d_model)
self.norm3 = ____
self.dropout = nn.Dropout(dropout)
def forward(self, x, y, tgt_mask, cross_mask):
self_attn_output = self.self_attn(x, x, x, tgt_mask)
x = self.norm1(x + self.dropout(self_attn_output))
# Complete the forward pass
cross_attn_output = self.____(____)
x = self.norm2(x + self.dropout(____))
ff_output = self.ff_sublayer(x)
x = self.norm3(x + self.dropout(ff_output))
return x