Transformer P6 位置编码层优化版代码实现
上节课当中，带大家用最直观的方法实现了 Transformer 中的位置编码，在实现过程中，用到两层 for 循环，去逐个修改矩阵中各个元素的值，效率很低，所以这节课给大家补充一种更高效的实现方法。
代码示例
1、张量乘法自动广播
a = torch.tensor([
[1],
[2],
[3],
])
b = torch.tensor([4, 5])
print(a*b)
PyTorch 会自动广播张量 b，扩展为(3, 2)，然后每一行和 a 的对应行相乘。
2、直接套公式计算角度值
d_model = 8 # 位置 position = torch.arange(0, 10).unsqueeze(1) # 除法，看成乘以除数分之一 i_2 = torch.arange(0, d_model, 2) div_term = 1 / 10000 ** (i_2 / d_model) # 角度值 angle = position * div_term print(angle)
3、公式变形
div_term = 1 / 10000 ** (i_2 / d_model) div_term = torch.exp(math.log(1 / 10000 ** (i_2 / d_model))) div_term = torch.exp(-math.log(10000 ** (i_2 / d_model))) div_term = torch.exp(-math.log(10000) * i_2 / d_model) div_term = torch.exp(i_2 * -math.log(10000) / d_model) div_term = torch.exp(torch.arange(0, d_model, 2) * -math.log(10000) / d_model)
4、封装位置编码层
class PositionalEncoding(nn.Module):
def __init__(self, d_model, dropout=0.1, max_len=5000):
super().__init__()
self.dropout = nn.Dropout(dropout)
pe = torch.zeros(max_len, d_model)
# 位置和除数
position = torch.arange(0, max_len).unsqueeze(1)
div_term = torch.exp(torch.arange(0, d_model, 2) * -math.log(10000) / d_model)
# 修改pe矩阵的值
pe[:, 0::2] = torch.sin(position * div_term)
pe[:, 1::2] = torch.cos(position * div_term)
# 扩展 batch 维度
pe = pe.unsqueeze(0)
# 存储为不需要计算梯度的参数
self.register_buffer('pe', pe)
def forward(self, x):
x = x + Variable(self.pe[:, :x.size(1)], requires_grad=False)
return self.dropout(x)
以上这个类的封装代码，来源于 annotated-transformer 开源项目，利用张量乘法，避免了两层 for 循环操作，提高了运算效率。大家在自己项目中，涉及多层嵌套的结构，也可以参考这个方法。
本文链接：http://ichenhua.cn/edu/note/653
版权声明：本文为「陈华编程」原创课程讲义，请给与知识创作者起码的尊重，未经许可不得传播或转售！
