Zacznij terazZacznij za darmo

Uzupełnianie transformera dekodera

Czas zbudować główną część transformera dekodera! Wykorzystasz w tym celu wcześniej utworzone klasy: InputEmbeddings, PositionalEncoding i DecoderLayer.

To ćwiczenie jest częścią kursu

Modele Transformer w PyTorch

Zobacz kurs

Instrukcje do ćwiczenia

  • Zdefiniuj listę num_layers warstw dekodera, używając wyrażenia listowego i klasy DecoderLayer.
  • Zdefiniuj warstwę liniową, która rzutuje ukryte stany na prawdopodobieństwa słów.
  • Uzupełnij przejście w przód przez warstwy zdefiniowane w __init__.
  • Utwórz instancję transformera dekodera i zastosuj ją do input_tokens oraz tgt_mask.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

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)
Edytuj i uruchom kod