ÎncepețiÎncepe gratuit

Completarea transformerului decoder

E momentul să construiești corpul transformerului decoder! Vei combina clasele InputEmbeddings, PositionalEncoding și DecoderLayer pe care le-ai creat anterior.

Acest exercițiu face parte din cursul

Modele Transformer cu PyTorch

Vezi cursul

Instrucțiuni pentru exercițiu

  • Definește o listă de num_layers straturi decoder folosind o expresie de tip list comprehension și clasa DecoderLayer.
  • Definește un strat liniar pentru a proiecta stările ascunse în probabilități ale cuvintelor.
  • Completează pasul forward prin straturile definite în __init__.
  • Instanțiază un transformer decoder și aplică-l pe input_tokens și tgt_mask.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

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)
Editează și rulează codul