Pytorch はトランスフォーマー モデルを実装します

Transformer は、自然言語処理タスクなどのシーケンス データの処理に使用できる強力なニューラル ネットワーク アーキテクチャです。PyTorch では、torch.nn.Transformer クラスを使用して、Transformer モデルを簡単に実装できます。
以下は、入力シーケンスを出力シーケンスに変換する単純な Transformer モデル実装のサンプル コードです。これはシーケンス間の変換タスクに使用できます。サンプル コードは次のとおりです
。

import torch
import torch.nn as nn
import torch.nn.functional as F
import math

class PositionalEncoding(nn.Module):
    def __init__(self, d_model, dropout=0.1, max_len=5000):
        super().__init__()
        self.dropout = nn.Dropout(p=dropout)

        pe = torch.zeros(max_len, d_model)
        position = torch.arange(0, max_len, dtype=torch.float).unsqueeze(1)
        div_term = torch.exp(torch.arange(0, d_model, 2).float() * (-math.log(10000.0) / d_model))
        pe[:, 0::2] = torch.sin(position * div_term)
        pe[:, 1::2] = torch.cos(position * div_term)
        pe = pe.unsqueeze(0).transpose(0, 1)
        self.register_buffer('pe', pe)

    def forward(self, x):
        x = x + self.pe[:x.size(0), :]
        return self.dropout(x)


class TransformerModel(nn.Module):
    def __init__(self, input_vocab_size, output_vocab_size, d_model, nhead, num_layers, dim_feedforward, dropout=0.1):
        super(TransformerModel, self).__init__()

        self.d_model = d_model
        self.nhead = nhead
        self.num_layers = num_layers
        self.dim_feedforward = dim_feedforward

        self.embedding = nn.Embedding(input_vocab_size, d_model)
        self.pos_encoder = PositionalEncoding(d_model, dropout)
        encoder_layer = nn.TransformerEncoderLayer(d_model, nhead, dim_feedforward, dropout)
        self.transformer_encoder = nn.TransformerEncoder(encoder_layer, num_layers)
        self.decoder = nn.Linear(d_model, output_vocab_size)

        self.init_weights()

    def init_weights(self):
        initrange = 0.1
        self.embedding.weight.data.uniform_(-initrange, initrange)
        self.decoder.bias.data.zero_()
        self.decoder.weight.data.uniform_(-initrange, initrange)

    def forward(self, src, src_mask=None):
        src = self.embedding(src) * math.sqrt(self.d_model)
        src = self.pos_encoder(src)
        output = self.transformer_encoder(src, src_mask)
        output = self.decoder(output)
        return output

上記のコードでは、nn.Module を継承する TransformerModel というモデル クラスを定義しました。モデルには次のコンポーネントが含まれています。

nn.Embedding: 入力シーケンス内の各トークンをベクトル表現に変換します。
PositionalEncoding: シーケンス内の各マーカーの位置をベクトルとしてエンコードします。
nn.TransformerEncoder: エンコードされた入力シーケンスを出力シーケンスに変換します。
nn.Linear: Transformer の出力を最終出力シーケンスに変換します。
入力および出力ボキャブラリのサイズ、埋め込み次元、Transformer 層の数、隠れ層の次元など、独自のニーズに応じて TransformerModel クラスのハイパーパラメータを変更できます。このモデルを使用してトレーニングする場合は、損失関数とオプティマイザーを定義し、トレーニングに PyTorch の標準トレーニング ループを使用する必要があります。

Transformer における位置エンコーディングの役割は、各位置に対応するベクトルが一意になるように、入力シーケンス内の位置情報をベクトル空間に埋め込むことです。この実装では、位置エンコーディングは次の式を使用します。

$$\text{PE}(位置、\_2i)\_=\sin (pos/10000^{2i/d\text{モデル}}）{}^{\_}$$

$$\text{PE}(位置、\_2i\_\_+1)=\cos (pos/10000{}^{2i/d\text{モデル}}）{}^{\_}$$

ここで、pos は入力シーケンス内の位置を表し、i はベクトルの次元を表します。結果として得られる位置エンコーディング行列は、入力シーケンスの埋め込みベクトルに追加されます。