ПочатиПочніть безкоштовно

Завершення декодера трансформера

Час зібрати «тіло» декодера трансформера! Для цього потрібно поєднати класи InputEmbeddings, PositionalEncoding і DecoderLayer, які ви створили раніше.

Ця вправа є частиною курсу

Моделі Transformer з PyTorch

Переглянути курс

Інструкції до вправи

  • Створіть список із num_layers шарів декодера за допомогою генератора списку та класу DecoderLayer.
  • Визначте лінійний шар, який проєктуватиме приховані стани у ймовірності слів.
  • Завершіть прямий прохід через шари, визначені в __init__.
  • Створіть екземпляр декодера трансформера та застосуйте його до input_tokens і tgt_mask.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

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)
Редагувати та запускати код