НачатьНачать бесплатно

Завершение трансформера-декодера

Пора собрать тело трансформера-декодера! Для этого нужно объединить классы InputEmbeddings, PositionalEncoding и DecoderLayer, созданные ранее.

Это упражнение является частью курса

Трансформерные модели с PyTorch

Посмотреть курс

Инструкции к упражнению

  • Определите список из num_layers слоёв декодера с помощью генератора списка и класса DecoderLayer.
  • Определите линейный слой для проецирования скрытых состояний в вероятности слов.
  • Реализуйте прямой проход через слои, определённые в __init__.
  • Создайте экземпляр трансформера-декодера и примените его к input_tokens и tgt_mask.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

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)
Редактировать и запускать код