ComeçarComece de graça

Concluindo o transformer decodificador

Hora de construir o corpo do transformer decodificador! Isso significa combinar as classes InputEmbeddings, PositionalEncoding e DecoderLayer que você criou anteriormente.

Este exercício faz parte do curso

Modelos Transformer com PyTorch

Ver curso

Instruções do exercício

  • Defina uma lista de camadas do decodificador com num_layers usando list comprehension e a classe DecoderLayer.
  • Defina uma camada linear para projetar os hidden states em probabilidades de palavras.
  • Complete a passagem forward pelas camadas definidas em __init__.
  • Instancie um transformer decodificador e aplique-o a input_tokens e tgt_mask.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

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)
Editar e executar o código