Создание позиционных кодировок

Векторное представление токенов — хорошее начало, однако эмбеддинги пока не содержат информации о позиции каждого токена в последовательности. Чтобы исправить это, архитектура трансформера использует позиционные кодировки, которые добавляют сведения о позиции каждого токена в его эмбеддинг.

Вам предстоит создать класс PositionalEncoding со следующими параметрами:

d_model — размерность входных эмбеддингов;
max_seq_length — максимальная длина последовательности (или длина последовательности, если все последовательности имеют одинаковую длину).

Это упражнение является частью курса

Трансформерные модели с PyTorch

Посмотреть курс

Инструкции к упражнению

Создайте матрицу нулей размером max_seq_length на d_model.
Выполните вычисления синуса и косинуса для position * div_term, чтобы получить чётные и нечётные значения позиционного эмбеддинга.
Убедитесь, что pe не является обучаемым параметром в процессе обучения.
Прибавьте преобразованные позиционные эмбеддинги к входным эмбеддингам токенов x.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

class PositionalEncoding(nn.Module):
    def __init__(self, d_model, max_seq_length):
        super().__init__()
        # Create a matrix of zeros of dimensions max_seq_length by d_model
        pe = ____
        position = torch.arange(0, max_seq_length, dtype=torch.float).unsqueeze(1)
        div_term = torch.exp(torch.arange(0, d_model, 2).float() * -(math.log(10000.0) / d_model))
        
        # Perform the sine and cosine calculations
        pe[:, 0::2] = torch.____(position * div_term)
        pe[:, 1::2] = torch.____(position * div_term)
        # Ensure pe isn't a learnable parameter during training
        self.____('____', pe.unsqueeze(0))
        
    def forward(self, x):
        # Add the positional embeddings to the token embeddings
        return ____ + ____[:, :x.size(1)]

pos_encoding_layer = PositionalEncoding(d_model=512, max_seq_length=4)
output = pos_encoding_layer(token_embeddings)
print(output.shape)
print(output[0][0][:10])

Редактировать и запускать код