Encodertransformerns stomme
Din encoder-only-transformers stomme är nästan klar! Nu är det dags att kombinera klasserna InputEmbeddings, PositionalEncoding och EncoderLayer som du har skapat tidigare till en TransformerEncoder-klass.
Den här övningen är en del av kursen
Transformermodeller med PyTorch
Övningsinstruktioner
- Definiera tokeninbäddningen, positionskodningen och encoderlagren (använd list comprehension för att skapa
num_layersencoderlager). - Utför det framåtgående passet genom dessa lager.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
class TransformerEncoder(nn.Module):
def __init__(self, vocab_size, d_model, num_layers, num_heads, d_ff, dropout, max_seq_length):
super().__init__()
# Define the embedding, positional encoding, and encoder layers
self.embedding = ____(vocab_size, d_model)
self.positional_encoding = ____(d_model, max_seq_length)
self.layers = nn.____([____(d_model, num_heads, d_ff, dropout) for _ in range(num_layers)])
def forward(self, x, src_mask):
# Perform the forward pass through the layers
x = self.____(x)
x = self.____(x)
for layer in ____:
x = layer(x, src_mask)
return x