De body van de encodertransformer
Je encoder-only transformer body is bijna klaar! Tijd om de klassen InputEmbeddings, PositionalEncoding en EncoderLayer die je eerder hebt gemaakt te combineren in één TransformerEncoder-klasse.
Deze oefening maakt deel uit van de cursus
Transformermodels met PyTorch
Oefeninstructies
- Definieer de token-embedding, positionele encoding en encoderlagen (gebruik een list comprehension om
num_layersencoderlagen te maken). - Voer de forward pass uit door deze lagen.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
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