PyTorch实现Transformer模型
首先，我得回顾一下Transformer的基本结构，确保自己没有记错。Transformer由编码器和解码器组成，每个编码器层包含多头自注意力机制和前馈网络，解码器层则还有编码器-解码器注意力。
接下来，用户需要的是手把手的代码解读，所以必须详细，每一步都不能遗漏。可能需要从数据预处理开始，比如词嵌入、位置编码。然后逐步构建各个组件：自注意力、多头注意力、编码器层、解码器层，最后整合成完整的Transformer模型。
要注意用户提到的系统级指令，特别是LaTeX格式的要求。所有数学公式都要用$...$或者$$...$$，比如自注意力的计算公式$Attention(Q, K, V) = softmax(\frac{QK^T}{\sqrt{d_k}})V$，这里要检查是否正确使用括号和符号。
另外，用户要求结构清晰，分步骤讲解。可能需要分成几个部分：嵌入层、位置编码、多头注意力、前馈网络、编码器、解码器，然后是整体模型和训练过程。每个部分都要解释代码的逻辑，比如在PyTorch中如何继承nn.Module，如何初始化参数，前向传播的实现。
需要确保代码示例正确，比如在实现多头注意力时，是否正确地分割了张量，是否计算了注意力分数，并应用了mask。可能还要解释为什么使用缩放点积注意力，以及如何实现残差连接和层归一化。
还要考虑用户可能遇到的常见问题，比如维度不匹配，如何处理mask，训练时的损失函数选择，优化器的设置等。可能需要给出一个简单的示例，说明如何使用构建好的Transformer模型进行训练和推理。
最后，检查是否符合中文回答的要求，避免使用专业术语时直接使用英文而不加解释。比如，提到“embedding”时要翻译为“嵌入”或者“词嵌入”。同时，确保LaTeX语法正确，没有遗漏$符号或者错误使用括号。
以下是用PyTorch实现Transformer模型的详细分步指南，包含关键代码解读：
一、Transformer核心结构
Transformer由编码器(Encoder)和解码器(Decoder)组成，核心公式：
$$ \text{Attention}(Q,K,V)=\text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V $$
二、实现步骤分解
1. 导入基础模块
python
import torch
import torch.nn as nn
import torch.nn.functional as F
2. 位置编码(Positional Encoding)
解决序列顺序信息的关键：
$$ PE_{(pos,2i)} = \sin(pos/10000^{2i/d_{model}}) $$
$$ PE_{(pos,2i+1)} = \cos(pos/10000^{2i/d_{model}}) $$
代码实现：
python
class PositionalEncoding(nn.Module):
def __init__(self, d_model, max_len=5000):
super().__init__()
pe = torch.zeros(max_len, d_model)
position = torch.arange(0, max_len).unsqueeze(1)
div_term = torch.exp(torch.arange(0, d_model, 2) * (-math.log(10000.0)/d_model))
pe[:, 0::2] = torch.sin(position * div_term)
pe[:, 1::2] = torch.cos(position * div_term)
self.register_buffer('pe', pe)
def forward(self, x):
return x + self.pe[:x.size(1)]
3. 多头注意力机制(Multi-Head Attention)
关键步骤：
1. 线性投影分割头
2. 计算缩放点积注意力
3. 合并多头输出
代码实现：
python
class MultiHeadAttention(nn.Module):
def __init__(self, d_model, num_heads):
super().__init__()
self.d_model = d_model
self.num_heads = num_heads
self.d_k = d_model // num_heads
self.Wq = nn.Linear(d_model, d_model)
self.Wk = nn.Linear(d_model, d_model)
self.Wv = nn.Linear(d_model, d_model)
self.out = nn.Linear(d_model, d_model)
def forward(self, q, k, v, mask=None):
batch_size = q.size(0)
# 线性投影并分头 [B, L, D] -> [B, L, H, D_k]
q = self.Wq(q).view(batch_size, -1, self.num_heads, self.d_k)
k = self.Wk(k).view(batch_size, -1, self.num_heads, self.d_k)
v = self.Wv(v).view(batch_size, -1, self.num_heads, self.d_k)
# 计算注意力得分
scores = torch.matmul(q.transpose(1,2), k.transpose(1,2).transpose(2,3))
scores = scores / math.sqrt(self.d_k)
if mask is not None:
scores = scores.masked_fill(mask == 0, -1e9)
# Softmax归一化
attn = F.softmax(scores, dim=-1)
# 上下文向量计算
context = torch.matmul(attn, v.transpose(1,2))
context = context.transpose(1,2).contiguous().view(batch_size, -1, self.d_model)
return self.out(context)
4. 前馈网络(Position-wise FFN)
$$ \text{FFN}(x) = \text{ReLU}(xW_1 + b_1)W_2 + b_2 $$
代码实现：
```python
class FeedForward(nn.Module):
def __init__(self, d_model, d_ff=2048):
super().__init__()
self.linear1 = nn.Linear(d_model, d_ff)
self.linear2 = nn.Linear(d_ff, d_model)
def forward(self, x):
return self.linear2(F.relu(self.linear1(x)))
5. 编码器层完整实现
python
class EncoderLayer(nn.Module):
def __init__(self, d_model, num_heads, dropout=0.1):
super().__init__()
self.self_attn = MultiHeadAttention(d_model, num_heads)
self.ffn = FeedForward(d_model)
self.norm1 = nn.LayerNorm(d_model)
self.norm2 = nn.LayerNorm(d_model)
self.dropout = nn.Dropout(dropout)
def forward(self, x, mask):
# 残差连接+层归一化
attn_output = self.self_attn(x, x, x, mask)
x = self.norm1(x + self.dropout(attn_output))
ffn_output = self.ffn(x)
x = self.norm2(x + self.dropout(ffn_output))
return x
6. 解码器层实现（含Encoder-Decoder Attention）
```python
class DecoderLayer(nn.Module):
def __init__(self, d_model, num_heads, dropout=0.1):
super().__init__()
self.self_attn = MultiHeadAttention(d_model, num_heads)
self.cross_attn = MultiHeadAttention(d_model, num_heads)
self.ffn = FeedForward(d_model)
self.norm1 = nn.LayerNorm(d_model)
self.norm2 = nn.LayerNorm(d_model)
self.norm3 = nn.LayerNorm(d_model)
self.dropout = nn.Dropout(dropout)
def forward(self, x, encoder_output, src_mask, tgt_mask):
# 自注意力
attn_output = self.self_attn(x, x, x, tgt_mask)
x = self.norm1(x + self.dropout(attn_output))
# 编码器-解码器注意力
attn_output = self.cross_attn(x, encoder_output, encoder_output, src_mask)
x = self.norm2(x + self.dropout(attn_output))
# 前馈网络
ffn_output = self.ffn(x)
x = self.norm3(x + self.dropout(ffn_output))
return x
三、完整Transformer组装
```python
class Transformer(nn.Module):
def __init__(self, src_vocab_size, tgt_vocab_size, d_model=512, num_heads=8,
num_layers=6, dropout=0.1):
super().__init__()
self.encoder_embed = nn.Embedding(src_vocab_size, d_model)
self.decoder_embed = nn.Embedding(tgt_vocab_size, d_model)
self.pos_encoding = PositionalEncoding(d_model)
self.encoder_layers = nn.ModuleList(
[EncoderLayer(d_model, num_heads, dropout) for _ in range(num_layers)])
self.decoder_layers = nn.ModuleList(
[DecoderLayer(d_model, num_heads, dropout) for _ in range(num_layers)])
self.final_out = nn.Linear(d_model, tgt_vocab_size)
def forward(self, src, tgt, src_mask, tgt_mask):
# 编码器
src_emb = self.pos_encoding(self.encoder_embed(src))
for layer in self.encoder_layers:
src_emb = layer(src_emb, src_mask)
# 解码器
tgt_emb = self.pos_encoding(self.decoder_embed(tgt))
for layer in self.decoder_layers:
tgt_emb = layer(tgt_emb, src_emb, src_mask, tgt_mask)
return self.final_out(tgt_emb)
```
四、训练关键点
1. **Mask生成**：实现padding mask和look-ahead mask
2. **学习率调度**：使用warmup策略
3. **标签平滑**：提升模型泛化能力
4. **批处理**：利用GPU并行计算
示例训练循环：
```python
model = Transformer(src_vocab_size=10000, tgt_vocab_size=8000)
criterion = nn.CrossEntropyLoss(ignore_index=0)
optimizer = torch.optim.Adam(model.parameters(), lr=0.0001)
for epoch in range(100):
for batch in dataloader:
src, tgt_in, tgt_out = batch
src_mask = (src != 0).unsqueeze(1)
tgt_mask = (tgt_in != 0).unsqueeze(1)
outputs = model(src, tgt_in, src_mask, tgt_mask)
loss = criterion(outputs.view(-1, outputs.size(-1)), tgt_out.view(-1))
optimizer.zero_grad()
loss.backward()
optimizer.step()
```
五、常见问题解决
1. **维度不匹配**：检查各层输入输出维度是否一致
2. **梯度消失**：合理使用残差连接和层归一化
3. **过拟合**：增加dropout率或使用权重衰减
4. **训练效率**：采用混合精度训练和梯度累积
建议通过可视化注意力权重来理解模型的决策过程。完整实现约500行代码，建议从简单任务（如数字加法）开始验证模型有效性。