Transformer解析与tensorflow代码解读

本文是针对谷歌Transformer模型的解读,根据我自己的理解顺序记录的。

另外,针对Kyubyong实现的tensorflow代码进行解读,代码地址https://github.com/Kyubyong/transformer

这里不会详细描述Transformer的实现机理,如果有不了解Transformer的可以先阅读文章《Attention is all you need》,以及我列出的一些参考博客,都是不错的解读。

Layer Normalization

首先是Layer Normalization部分,和Batch Normalization有点不一样,BN能够让模型收敛的更快,但是BN的缺点也比较明显。

BN的缺点:

  1,BN特别依赖Batch Size;当Batch size很小的适合,BN的效果就非常不理想了。在很多情况下,Batch size大不了,因为你GPU的显存不够。所以,通常会有其他比较麻烦的手段去解决这个问题,比如MegDet的CGBN等;

  2,BN对处理序列化数据的网络比如RNN是不太适用的;So,BN的应用领域减少了一半。

  3,BN只在训练的时候用,inference的时候不会用到,因为inference的输入不是批量输入。这也不一定是BN的缺点,但这是BN的特点。

BN是在batch的方向上计算均值方差,而LN是在每一条数据维度的方向上计算均值方差,换句话说,LN的操作类似于将BN做了一个“转置”,对同一层网络的输出做一个标准化。下图比较清晰:

 1 def ln(inputs, epsilon = 1e-8, scope="ln"):
 2     '''Applies layer normalization. See https://arxiv.org/abs/1607.06450.
 3     inputs: A tensor with 2 or more dimensions, where the first dimension has `batch_size`.
 4     epsilon: A floating number. A very small number for preventing ZeroDivision Error.
 5     scope: Optional scope for `variable_scope`.
 6       
 7     Returns:
 8       A tensor with the same shape and data dtype as `inputs`.
 9     '''
10 
11 
12     '''
13         使用层归一layer normalization
14         tensorflow 在实现 Batch Normalization(各个网络层输出的归一化)时,主要用到nn.moments和batch_normalization
15         其中moments作用是统计矩,mean 是一阶矩,variance 则是二阶中心矩
16         tf.nn.moments 计算返回的 mean 和 variance 作为 tf.nn.batch_normalization 参数进一步调用
17         :param inputs: 一个有2个或更多维度的张量,第一个维度是batch_size
18         :param epsilon: 很小的数值,防止区域划分错误
19         :param scope: 
20         :return: 返回一个与inputs相同shape和数据的dtype
21         '''
22     with tf.variable_scope(scope, reuse=tf.AUTO_REUSE):
23         inputs_shape = inputs.get_shape()
24         params_shape = inputs_shape[-1:]
25     
26         mean, variance = tf.nn.moments(inputs, [-1], keep_dims=True)
27         beta= tf.get_variable("beta", params_shape, initializer=tf.zeros_initializer())
28         gamma = tf.get_variable("gamma", params_shape, initializer=tf.ones_initializer())
29         normalized = (inputs - mean) / ( (variance + epsilon) ** (.5) )
30         outputs = gamma * normalized + beta
31         
32     return outputs
View Code

 

Mask

这部分比较重要,我们知道作者一开始在Mask方面的代码是写的有些问题的,后来作者做了一些更改,很多人看到这部分代码有点不知所云,单点调试之后会好一些。

mask表示掩码,它对某些值进行掩盖,使其在参数更新时不产生效果。Transformer 模型里面涉及两种 mask,分别是 padding mask 和 sequence mask。

其中,padding mask 在所有的 scaled dot-product attention 里面都需要用到,而 sequence mask 只有在 decoder 的 self-attention 里面用到。

Padding Mask

对于输入序列一般我们都要进行padding补齐,也就是说设定一个统一长度N,在较短的序列后面填充0到长度为N,如果输入的序列长度大于N,则截取左边长度为N的内容,把多余的直接舍弃。对于那些补零的数据来说,我们的attention机制不应该把注意力放在这些位置上,所以我们需要进行一些处理。具体的做法是,把这些位置的值加上一个非常大的负数(负无穷),这样经过softmax后,这些位置的权重就会接近0。Transformer的padding mask实际上是一个张量,每个值都是一个Boolean,值为false的地方就是要进行处理的地方。

Sequence Mask

sequence mask是为了使decoder不能看见未来的信息。因为Transformer不是rnn结构的,因此我们要想办法在time_step 为 t 的时刻,把 t 时刻之后的信息隐藏起来。具体做法就是产生一个上三角矩阵,上三角的值全为0,把这个矩阵作用在每一个序列上。

  对于 decoder 的 self-attention,里面使用到的 scaled dot-product attention,同时需要padding mask 和 sequence mask 作为 attn_mask,具体实现就是两个mask相加作为attn_mask。
  其他情况,attn_mask 一律等于 padding mask。

 这边代码中会用到一些tf的函数,一个比较有用的tf.where()的用法:https://blog.csdn.net/ustbbsy/article/details/79564828

 注意这段代码里面type in ("f", "future", "right"): 部分是描述用一个下三角矩阵来做sequence mask的。

 1 def mask(inputs, queries=None, keys=None, type=None):
 2     '''
 3             对Keys或Queries进行遮盖
 4             :param inputs: (N, T_q, T_k)
 5             :param queries: (N, T_q, d)
 6             :param keys: (N, T_k, d)
 7             :return:
 8     '''
 9     """Masks paddings on keys or queries to inputs
10     inputs: 3d tensor. (N, T_q, T_k)
11     queries: 3d tensor. (N, T_q, d)
12     keys: 3d tensor. (N, T_k, d)
13 
14     e.g.,
15     >> queries = tf.constant([[[1.],
16                         [2.],
17                         [0.]]], tf.float32) # (1, 3, 1)
18     >> keys = tf.constant([[[4.],
19                      [0.]]], tf.float32)  # (1, 2, 1)
20     >> inputs = tf.constant([[[4., 0.],
21                                [8., 0.],
22                                [0., 0.]]], tf.float32)
23     >> mask(inputs, queries, keys, "key")
24     array([[[ 4.0000000e+00, -4.2949673e+09],
25         [ 8.0000000e+00, -4.2949673e+09],
26         [ 0.0000000e+00, -4.2949673e+09]]], dtype=float32)
27     >> inputs = tf.constant([[[1., 0.],
28                              [1., 0.],
29                               [1., 0.]]], tf.float32)
30     >> mask(inputs, queries, keys, "query")
31     array([[[1., 0.],
32         [1., 0.],
33         [0., 0.]]], dtype=float32)
34     """
35 
36     padding_num = -2 ** 32 + 1
37     if type in ("k", "key", "keys"):
38         # Generate masks
39         masks = tf.sign(tf.reduce_sum(tf.abs(keys), axis=-1))  # (N, T_k)
40         masks = tf.expand_dims(masks, 1) # (N, 1, T_k)
41         masks = tf.tile(masks, [1, tf.shape(queries)[1], 1])  # (N, T_q, T_k)
42 
43         # Apply masks to inputs
44         paddings = tf.ones_like(inputs) * padding_num
45         outputs = tf.where(tf.equal(masks, 0), paddings, inputs)  # (N, T_q, T_k)
46     elif type in ("q", "query", "queries"):
47         # Generate masks
48         masks = tf.sign(tf.reduce_sum(tf.abs(queries), axis=-1))  # (N, T_q)
49         masks = tf.expand_dims(masks, -1)  # (N, T_q, 1)
50         masks = tf.tile(masks, [1, 1, tf.shape(keys)[1]])  # (N, T_q, T_k)
51 
52         # Apply masks to inputs
53         outputs = inputs*masks
54     elif type in ("f", "future", "right"):
55         diag_vals = tf.ones_like(inputs[0, :, :])  # (T_q, T_k)
56         tril = tf.linalg.LinearOperatorLowerTriangular(diag_vals).to_dense()  # (T_q, T_k)
57         masks = tf.tile(tf.expand_dims(tril, 0), [tf.shape(inputs)[0], 1, 1])  # (N, T_q, T_k)
58 
59         paddings = tf.ones_like(masks) * padding_num
60         outputs = tf.where(tf.equal(masks, 0), paddings, inputs)
61     else:
62         print("Check if you entered type correctly!")
63 
64 
65     return outputs
View Code

这里对代码稍作解读,代码里 if type in ("k", "key", "keys"):  部分是padding mask,因为Q乘以V,V的序列后面有很长一部分是全零的向量(这就是我们自定义的padding的对应embedding,我们定义为全0),因此全零的部分我们让attention的权重为一个很小的值-4.2949673e+09。

elif type in ("q", "query", "queries"):  部分:类似的,query序列最后面也有可能是一堆padding,不过对queries做padding mask不需要把padding加上一个很小的值,只要将其置零就行,因为outputs是先key mask,再经过softmax,再进行query mask的。

而  elif type in ("f", "future", "right"):  部分则是我们在做decoder的self attention时要用到的sequence mask,也就是说在每一步,第i个token关注到的attention只有可能是在第i个单词之前的单词,因为它按理来说,看不到后面的单词。作者用一个下三角矩阵来完成这个操作,还是比较巧妙,我简单描述一下每个变量:

 

Context-Attention

也就是论文里提到的Encoder-Decoder Attention,是两个不同序列之间的attention,与来源于自身的 self-attention 相区别。context-attention有很多,这里使用的是scaled dot-product。通过 query 和 key 的相似性程度来确定 value 的权重分布。

实际上这部分代码就是self attention用到的QKV的公式的核心代码,不管是Encoder-Decoder Attention还是Self Attention都是用的这里的scaled dot-product方法。

 1 def scaled_dot_product_attention(Q, K, V,
 2                                  causality=False, dropout_rate=0.,
 3                                  training=True,
 4                                  scope="scaled_dot_product_attention"):
 5     '''See 3.2.1.
 6     Q: Packed queries. 3d tensor. [N, T_q, d_k].
 7     K: Packed keys. 3d tensor. [N, T_k, d_k].
 8     V: Packed values. 3d tensor. [N, T_k, d_v].
 9     causality: If True, applies masking for future blinding
10     dropout_rate: A floating point number of [0, 1].
11     training: boolean for controlling droput
12     scope: Optional scope for `variable_scope`.
13     '''
14     '''
15         查看原论文中3.2.1attention计算公式:Attention(Q,K,V)=softmax(Q K^T /√dk ) V
16         :param Q: 查询,三维张量,[N, T_q, d_k].
17         :param K: keys值,三维张量,[N, T_k, d_v].
18         :param V: values值,三维张量,[N, T_k, d_v].
19         :param causality: 布尔值,如果为True,就会对未来的数值进行遮盖
20         :param dropout_rate: 0到1之间的一个数值
21         :param training: 布尔值,用来控制dropout
22         :param scope: 
23     '''
24     with tf.variable_scope(scope, reuse=tf.AUTO_REUSE):
25         d_k = Q.get_shape().as_list()[-1]
26 
27         # dot product
28         outputs = tf.matmul(Q, tf.transpose(K, [0, 2, 1]))  # (N, T_q, T_k)
29 
30         # scale
31         outputs /= d_k ** 0.5
32 
33         # key masking
34         outputs = mask(outputs, Q, K, type="key")
35 
36         # causality or future blinding masking
37         if causality:
38             outputs = mask(outputs, type="future")
39 
40         # softmax
41         outputs = tf.nn.softmax(outputs)
42         attention = tf.transpose(outputs, [0, 2, 1])
43         tf.summary.image("attention", tf.expand_dims(attention[:1], -1))
44 
45         # query masking
46         outputs = mask(outputs, Q, K, type="query")
47 
48         # dropout
49         outputs = tf.layers.dropout(outputs, rate=dropout_rate, training=training)
50 
51         # weighted sum (context vectors)
52         outputs = tf.matmul(outputs, V)  # (N, T_q, d_v)
53 
54     return outputs
View Code

 这里有个问题:

outputs = tf.nn.softmax(outputs)
attention = tf.transpose(outputs, [0, 2, 1])

tf.summary.image("attention", tf.expand_dims(attention[:1], -1))

 用来干啥的??为啥要transpose一下??本来是(N,TQ,Tk)现在到(N,Tk,TQ)

 

Multi-head attention

多头self attention就是Transoformer的核心,就是用上面提到的QKV公式算出分布之后,用h份合在一起来表示,论文中的h为8。

这部分代码主要是先产生QKV向量,然后按照h头来进行划分,然后调用上面的scaled dot-product的方法来计算的。

另外这里可以看到代码里将8份self attention分别计算后后concat起来了,然后在self attention层后接了残差连接和layer normalization。

 1 def multihead_attention(queries, keys, values,
 2                         num_heads=8, 
 3                         dropout_rate=0,
 4                         training=True,
 5                         causality=False,
 6                         scope="multihead_attention"):
 7     '''Applies multihead attention. See 3.2.2
 8     queries: A 3d tensor with shape of [N, T_q, d_model].
 9     keys: A 3d tensor with shape of [N, T_k, d_model].
10     values: A 3d tensor with shape of [N, T_k, d_model].
11     num_heads: An int. Number of heads.
12     dropout_rate: A floating point number.
13     training: Boolean. Controller of mechanism for dropout.
14     causality: Boolean. If true, units that reference the future are masked.
15     scope: Optional scope for `variable_scope`.
16         
17     Returns
18       A 3d tensor with shape of (N, T_q, C)  
19     '''
20     '''
21         查看原论文中3.2.2中multihead_attention构建,
22         这里是将不同的Queries、Keys和values方式线性地投影h次是有益的。
23         线性投影分别为dk,dk和dv尺寸。在每个预计版本进行queries、keys、values,
24         然后并行执行attention功能,产生dv维输出值。这些被连接并再次投影,产生最终值
25         :param queries: 三维张量[N, T_q, d_model]
26         :param keys: 三维张量[N, T_k, d_model]
27         :param values: 三维张量[N, T_k, d_model]
28         :param num_heads: heads数
29         :param dropout_rate: 
30         :param training: 控制dropout机制
31         :param causality: 控制是否遮盖
32         :param scope: 
33         :return: 三维张量(N, T_q, C) 
34     '''
35     d_model = queries.get_shape().as_list()[-1]
36     with tf.variable_scope(scope, reuse=tf.AUTO_REUSE):
37         # Linear projections
38         Q = tf.layers.dense(queries, d_model, use_bias=False) # (N, T_q, d_model)
39         K = tf.layers.dense(keys, d_model, use_bias=False) # (N, T_k, d_model)
40         V = tf.layers.dense(values, d_model, use_bias=False) # (N, T_k, d_model)
41         
42         # Split and concat
43         Q_ = tf.concat(tf.split(Q, num_heads, axis=2), axis=0) # (h*N, T_q, d_model/h)
44         K_ = tf.concat(tf.split(K, num_heads, axis=2), axis=0) # (h*N, T_k, d_model/h)
45         V_ = tf.concat(tf.split(V, num_heads, axis=2), axis=0) # (h*N, T_k, d_model/h)
46 
47         # Attention
48         outputs = scaled_dot_product_attention(Q_, K_, V_, causality, dropout_rate, training)
49 
50         # Restore shape
51         outputs = tf.concat(tf.split(outputs, num_heads, axis=0), axis=2 ) # (N, T_q, d_model)
52               
53         # Residual connection
54         outputs += queries
55               
56         # Normalize
57         outputs = ln(outputs)
58  
59     return outputs
View Code

 这里提一句,所有的attention都是用scaled dot-product的方法来计算的,对于self attention来说,Q=K=V,而对于decoder-encoder attention来说,Q=decoder_input,K=V=memory。

Positional Embedding

就目前而言,Transformer 架构还没有提取序列顺序的信息,这个信息对于序列而言非常重要,如果缺失了这个信息,可能我们的结果就是:所有词语都对了,但是无法组成有意义的语句。因此模型对序列中的词语出现的位置进行编码。论文中使用的方法是在偶数位置使用正弦编码,在奇数位置使用余弦编码。

代码里有一点,

N, T = tf.shape(inputs)[0], tf.shape(inputs)[1]
position_ind = tf.tile(tf.expand_dims(tf.range(T), 0), [N, 1]) # (N, T)
outputs = tf.nn.embedding_lookup(position_enc, position_ind)

 这里为什么直接用tf.range()之后,建立好了position_enbedding之后直接lookup呢,因为输入的句子顺序本来就是0,1,2,...,T,本来就是顺序输入的。

 1 def positional_encoding(inputs,
 2                         maxlen,
 3                         masking=True,
 4                         scope="positional_encoding"):
 5     '''Sinusoidal Positional_Encoding. See 3.5
 6     inputs: 3d tensor. (N, T, E)
 7     maxlen: scalar. Must be >= T
 8     masking: Boolean. If True, padding positions are set to zeros.
 9     scope: Optional scope for `variable_scope`.
10 
11     returns
12     3d tensor that has the same shape as inputs.
13     '''
14     '''
15         参看论文3.5,由于模型没有循环和卷积,为了让模型知道句子的编号,
16         就必须加入某些绝对位置信息,来表示token之间的关系。  
17         positional encoding和embedding有相同的维度,这两个能够相加。
18         :param inputs: 
19         :param maxlen: 
20         :param masking: 
21         :param scope: 
22         :return: 
23     '''
24 
25     E = inputs.get_shape().as_list()[-1] # static
26     N, T = tf.shape(inputs)[0], tf.shape(inputs)[1] # dynamic
27     with tf.variable_scope(scope, reuse=tf.AUTO_REUSE):
28         # position indices
29         position_ind = tf.tile(tf.expand_dims(tf.range(T), 0), [N, 1]) # (N, T)
30 
31         # First part of the PE function: sin and cos argument
32         position_enc = np.array([
33             [pos / np.power(10000, (i-i%2)/E) for i in range(E)]
34             for pos in range(maxlen)])
35 
36         # Second part, apply the cosine to even columns and sin to odds.
37         position_enc[:, 0::2] = np.sin(position_enc[:, 0::2])  # dim 2i
38         position_enc[:, 1::2] = np.cos(position_enc[:, 1::2])  # dim 2i+1
39         position_enc = tf.convert_to_tensor(position_enc, tf.float32) # (maxlen, E)
40 
41         # lookup
42         outputs = tf.nn.embedding_lookup(position_enc, position_ind)
43 
44         # masks
45         if masking:
46             outputs = tf.where(tf.equal(inputs, 0), inputs, outputs)
47 
48         return tf.to_float(outputs)
View Code

 

其他一些小模块

 还有一些小模块比较简单,比如前向网络,前向网络是两层全连接层接一个残差连接和layer normalization。  

还用了一个Label Smoothing技术,简单来说就是本来ground truth标签是1的,他改到比如说0.9333,本来是0的,他改到0.0333,这是一个比较经典的平滑技术了。

另外值得注意的是这里用了一个Noam计划衰减学习率,我之前没怎么接触过这种,网上资料也不多,我自己写了个公式:

 1 def ff(inputs, num_units, scope="positionwise_feedforward"):
 2     '''position-wise feed forward net. See 3.3
 3     
 4     inputs: A 3d tensor with shape of [N, T, C].
 5     num_units: A list of two integers.
 6     scope: Optional scope for `variable_scope`.
 7 
 8     Returns:
 9       A 3d tensor with the same shape and dtype as inputs
10     '''
11     with tf.variable_scope(scope, reuse=tf.AUTO_REUSE):
12         # Inner layer
13         outputs = tf.layers.dense(inputs, num_units[0], activation=tf.nn.relu)
14 
15         # Outer layer
16         outputs = tf.layers.dense(outputs, num_units[1])
17 
18         # Residual connection
19         outputs += inputs
20         
21         # Normalize
22         outputs = ln(outputs)
23     
24     return outputs
25 
26 def label_smoothing(inputs, epsilon=0.1):
27     '''Applies label smoothing. See 5.4 and https://arxiv.org/abs/1512.00567.
28     inputs: 3d tensor. [N, T, V], where V is the number of vocabulary.
29     epsilon: Smoothing rate.
30     
31     For example,
32     
33     ```
34     import tensorflow as tf
35     inputs = tf.convert_to_tensor([[[0, 0, 1], 
36        [0, 1, 0],
37        [1, 0, 0]],
38 
39       [[1, 0, 0],
40        [1, 0, 0],
41        [0, 1, 0]]], tf.float32)
42        
43     outputs = label_smoothing(inputs)
44     
45     with tf.Session() as sess:
46         print(sess.run([outputs]))
47     
48     >>
49     [array([[[ 0.03333334,  0.03333334,  0.93333334],
50         [ 0.03333334,  0.93333334,  0.03333334],
51         [ 0.93333334,  0.03333334,  0.03333334]],
52 
53        [[ 0.93333334,  0.03333334,  0.03333334],
54         [ 0.93333334,  0.03333334,  0.03333334],
55         [ 0.03333334,  0.93333334,  0.03333334]]], dtype=float32)]   
56     ```    
57     '''
58     V = inputs.get_shape().as_list()[-1] # number of channels
59     return ((1-epsilon) * inputs) + (epsilon / V)
60 
61 
62 def noam_scheme(init_lr, global_step, warmup_steps=4000.):
63     '''Noam scheme learning rate decay
64     init_lr: initial learning rate. scalar.
65     global_step: scalar.
66     warmup_steps: scalar. During warmup_steps, learning rate increases
67         until it reaches init_lr.
68     '''
69     step = tf.cast(global_step + 1, dtype=tf.float32)
70     return init_lr * warmup_steps ** 0.5 * tf.minimum(step * warmup_steps ** -1.5, step ** -0.5)
View Code

 

 

 


 

 

作者写的模块内容到这里告一段落,下面分析一些utils代码,data_loader代码以及将这些模块整合的model代码。

uitls代码

1、计算num_batch,就是total_num除以batch_size取整,再加1

2、将int32转为字符串张量(string tensor)

这里需要描述的一点就是用了一个tf.py_func方法,具体作用是它是脱离Graph的,可以用feed_data的方式动态给它喂数据。

 1 def convert_idx_to_token_tensor(inputs, idx2token):
 2     '''Converts int32 tensor to string tensor.
 3     inputs: 1d int32 tensor. indices.
 4     idx2token: dictionary
 5 
 6     Returns
 7     1d string tensor.
 8     '''
 9     def my_func(inputs):
10         return " ".join(idx2token[elem] for elem in inputs)
11 
12     return tf.py_func(my_func, [inputs], tf.string)
View Code

3、postprocess方法用来做翻译后的处理,输入一个是翻译的预测列表,还有一个是id2token的表,就是用查表的方式把数字序列转化成字符序列,从而形成一句可以理解的话。这里注意因为实现文章用的BPE算法来做双字节编码,压缩词表,所以在方法里有专门针对BPE解码的替代,如果做中文数据这个就要改一下了,中文不适用BPE等word piece算法。

4、保存超参数。

5、加载超参数并覆写parser对象。

6、save_variable_specs方法用来保存一些变量的信息,包括变量名,shape,总参数量等等。

7、get_hypotheses方法用来得到预测序列。这个方法就是结合前面的postprocess方法,来生成num_samples个数的有意义的自然语言输出。

8、calc_bleu计算BLEU值。

 

数据加载方面的代码

1、加载词汇表。param vocab_fpath: 字符串,词文件的地址 0: <pad>, 1: <unk>, 2: <s>, 3: </s>  :return: 两个字典,一个是id->token,一个是token->id

2、加载数据load_data。加载源语和目标语数据,筛除过长的数据,注意是筛除,也就是长度超过maxlen的数据直接丢掉了,没加载进去。

 :param fpath1: 源语地址 :param fpath2: 目标语地址 :param maxlen1: 源语句子中最长的长度 :param maxlen2: 目标语句子中最长的长度

3、encode函数用于将字符串转化为数字,这里具体方法是输入的是一个字符序列,然后根据空格切分,然后如果是源语言,则每一句话后面加上“</s>”,如果是目标语言,则在每一句话前面加上“<S>”,后面加上“</s>”,然后再转化成数字序列。如果是中文,这里很显然要改,具体看是字符级别输入还是词语级别输入。

 1 def encode(inp, type, dict):
 2     '''Converts string to number. Used for `generator_fn`.
 3     inp: 1d byte array.
 4     type: "x" (source side) or "y" (target side)
 5     dict: token2idx dictionary
 6 
 7     Returns
 8     list of numbers
 9     '''
10     inp_str = inp.decode("utf-8")
11     if type=="x": tokens = inp_str.split() + ["</s>"]
12     else: tokens = ["<s>"] + inp_str.split() + ["</s>"]
13 
14     x = [dict.get(t, dict["<unk>"]) for t in tokens]
15     return x
View Code

4、generator_fn方法生成训练和评估集数据。这段代码简单讲一下,对于每一个sent1,sent2(源句子,目标句子),sent1经过前面的encode函数转化成x,sent2经过前面的encode函数转化成y之后,decoder的输入decoder_input是y[:-1],预期输出y是y[1:],啥意思呢,就是其实是RNN一样的,用来解码输入的前N-1个,期望的输出是从第2个到第N个,也是N-1个。

 1 def generator_fn(sents1, sents2, vocab_fpath):
 2     '''Generates training / evaluation data
 3     sents1: list of source sents
 4     sents2: list of target sents
 5     vocab_fpath: string. vocabulary file path.
 6 
 7     yields
 8     xs: tuple of
 9         x: list of source token ids in a sent
10         x_seqlen: int. sequence length of x
11         sent1: str. raw source (=input) sentence
12     labels: tuple of
13         decoder_input: decoder_input: list of encoded decoder inputs
14         y: list of target token ids in a sent
15         y_seqlen: int. sequence length of y
16         sent2: str. target sentence
17     '''
18     token2idx, _ = load_vocab(vocab_fpath)
19     for sent1, sent2 in zip(sents1, sents2):
20         x = encode(sent1, "x", token2idx)
21         y = encode(sent2, "y", token2idx)
22         decoder_input, y = y[:-1], y[1:]
23 
24         x_seqlen, y_seqlen = len(x), len(y)
25         yield (x, x_seqlen, sent1), (decoder_input, y, y_seqlen, sent2)
View Code

5、input_fn方法用来生成Batch数据。这段代码其实也比较值得学习,用tf.data.Dataset.from_generator的方式读入数据,不受计算图的影响,比较好。Dataset作为新的API,比以前的feed_dict效率要高一些。关于dataset的简单使用,和一些它代码里用到的API的简单解释,这里有几篇相关博客:

https://blog.csdn.net/googler_offer/article/details/89929657

https://blog.csdn.net/qq_16234613/article/details/81703228

https://blog.csdn.net/Eartha1995/article/details/84930492

这里要非常注意一点!!!!就是这个方法里产生batch,是先repeat()之后,再产生batch数据的,这样会造成最后一个batch如果长度小于batch_size,那么最后几条数据是之前batch里会出现过的,这样做可能会影响到loss的评估!但是作者是怎么做的呢,看他的loss计算公式:

 

loss = tf.reduce_sum(ce * nonpadding) / (tf.reduce_sum(nonpadding) + 1e-7)

 

他的loss是把所有非padding的部分的交叉熵保留了下来,加起来,除以非padding序列的长度,但是并没有除以batch_size,也就是算的是一个batch里面的总loss,也就对应了他先repeat()再产生batch数据,也就是每个batch中数据的条目数是相等的,这样就会造成:

训练集和验证集的loss是有问题的!!(稍微有一点点问题),但是测试集并不是用loss来衡量的,而是用bleu值。可以想象,如果按照这样的方法产生batch数据,测试集合比如说有900条数据,batch size=128,那么测试集会生成1024条数据,但是代码中他取了前900条数据,先写入生成结果,然后计算bleu值,这样是没有问题的。

但是!如果想要把repeat()放到产生batch之前,那么在loss部分最好要除以batch_size,因为这样最后一个batch的loss是天然更小的,会有问题。

 1 def input_fn(sents1, sents2, vocab_fpath, batch_size, shuffle=False):
 2     '''Batchify data
 3     sents1: list of source sents
 4     sents2: list of target sents
 5     vocab_fpath: string. vocabulary file path.
 6     batch_size: scalar
 7     shuffle: boolean
 8 
 9     Returns
10     xs: tuple of
11         x: int32 tensor. (N, T1)
12         x_seqlens: int32 tensor. (N,)
13         sents1: str tensor. (N,)
14     ys: tuple of
15         decoder_input: int32 tensor. (N, T2)
16         y: int32 tensor. (N, T2)
17         y_seqlen: int32 tensor. (N, )
18         sents2: str tensor. (N,)
19     '''
20     shapes = (([None], (), ()),
21               ([None], [None], (), ()))
22     types = ((tf.int32, tf.int32, tf.string),
23              (tf.int32, tf.int32, tf.int32, tf.string))
24     paddings = ((0, 0, ''),
25                 (0, 0, 0, ''))
26 
27     dataset = tf.data.Dataset.from_generator(
28         generator_fn,
29         output_shapes=shapes,
30         output_types=types,
31         args=(sents1, sents2, vocab_fpath))  # <- arguments for generator_fn. converted to np string arrays
32 
33     if shuffle: # for training
34         dataset = dataset.shuffle(128*batch_size)
35 
36     dataset = dataset.repeat()  # iterate forever
37     dataset = dataset.padded_batch(batch_size, shapes, paddings).prefetch(1)
38 
39     return dataset
View Code

6、get_batch方法获取batch数据。

 


 

 

整合模型

model.py是模型代码,代码比较短,因为要用到的模块已经在modules.py里面都定义好了。

注意tf.nn.dropout和tf.layers.dropout的区别https://blog.csdn.net/Bruce_Wang02/article/details/81036796

另外还有一点就是他把所有的输入向量按照一个比例进行了缩放,具体看

dec *= self.hp.d_model ** 0.5

可以看到是将向量的所有维度都扩了根号d_model倍,我目前不知道这样做的意义,先占个位置。

还有一点,logits = tf.einsum('ntd,dk->ntk', dec, weights),对于tf.einsum的用法,这里有个简单的描述:https://blog.csdn.net/qq_35203425/article/details/81560118

这里有个详细的:https://www.jqr.com/article/000481

损失函数:loss = tf.reduce_sum(ce * nonpadding) / (tf.reduce_sum(nonpadding) + 1e-7)

  1 class Transformer:
  2     '''
  3     xs: tuple of
  4         x: int32 tensor. (N, T1)
  5         x_seqlens: int32 tensor. (N,)
  6         sents1: str tensor. (N,)
  7     ys: tuple of
  8         decoder_input: int32 tensor. (N, T2)
  9         y: int32 tensor. (N, T2)
 10         y_seqlen: int32 tensor. (N, )
 11         sents2: str tensor. (N,)
 12     training: boolean.
 13     '''
 14     def __init__(self, hp):
 15         self.hp = hp
 16         self.token2idx, self.idx2token = load_vocab(hp.vocab)
 17         self.embeddings = get_token_embeddings(self.hp.vocab_size, self.hp.d_model, zero_pad=True)
 18 
 19     def encode(self, xs, training=True):
 20         '''
 21         Returns
 22         memory: encoder outputs. (N, T1, d_model)
 23         '''
 24         with tf.variable_scope("encoder", reuse=tf.AUTO_REUSE):
 25             x, seqlens, sents1 = xs
 26 
 27             # embedding
 28             enc = tf.nn.embedding_lookup(self.embeddings, x) # (N, T1, d_model)
 29             enc *= self.hp.d_model**0.5 # scale
 30 
 31             enc += positional_encoding(enc, self.hp.maxlen1)
 32             enc = tf.layers.dropout(enc, self.hp.dropout_rate, training=training)
 33 
 34             ## Blocks
 35             for i in range(self.hp.num_blocks):
 36                 with tf.variable_scope("num_blocks_{}".format(i), reuse=tf.AUTO_REUSE):
 37                     # self-attention
 38                     enc = multihead_attention(queries=enc,
 39                                               keys=enc,
 40                                               values=enc,
 41                                               num_heads=self.hp.num_heads,
 42                                               dropout_rate=self.hp.dropout_rate,
 43                                               training=training,
 44                                               causality=False)
 45                     # feed forward
 46                     enc = ff(enc, num_units=[self.hp.d_ff, self.hp.d_model])
 47         memory = enc
 48         return memory, sents1
 49 
 50     def decode(self, ys, memory, training=True):
 51         '''
 52         memory: encoder outputs. (N, T1, d_model)
 53 
 54         Returns
 55         logits: (N, T2, V). float32.
 56         y_hat: (N, T2). int32
 57         y: (N, T2). int32
 58         sents2: (N,). string.
 59         '''
 60         with tf.variable_scope("decoder", reuse=tf.AUTO_REUSE):
 61             decoder_inputs, y, seqlens, sents2 = ys
 62 
 63             # embedding
 64             dec = tf.nn.embedding_lookup(self.embeddings, decoder_inputs)  # (N, T2, d_model)
 65             dec *= self.hp.d_model ** 0.5  # scale
 66 
 67             dec += positional_encoding(dec, self.hp.maxlen2)
 68             dec = tf.layers.dropout(dec, self.hp.dropout_rate, training=training)
 69 
 70             # Blocks
 71             for i in range(self.hp.num_blocks):
 72                 with tf.variable_scope("num_blocks_{}".format(i), reuse=tf.AUTO_REUSE):
 73                     # Masked self-attention (Note that causality is True at this time)
 74                     dec = multihead_attention(queries=dec,
 75                                               keys=dec,
 76                                               values=dec,
 77                                               num_heads=self.hp.num_heads,
 78                                               dropout_rate=self.hp.dropout_rate,
 79                                               training=training,
 80                                               causality=True,
 81                                               scope="self_attention")
 82 
 83                     # Vanilla attention
 84                     dec = multihead_attention(queries=dec,
 85                                               keys=memory,
 86                                               values=memory,
 87                                               num_heads=self.hp.num_heads,
 88                                               dropout_rate=self.hp.dropout_rate,
 89                                               training=training,
 90                                               causality=False,
 91                                               scope="vanilla_attention")
 92                     ### Feed Forward
 93                     dec = ff(dec, num_units=[self.hp.d_ff, self.hp.d_model])
 94 
 95         # Final linear projection (embedding weights are shared)
 96         weights = tf.transpose(self.embeddings) # (d_model, vocab_size)
 97         logits = tf.einsum('ntd,dk->ntk', dec, weights) # (N, T2, vocab_size)
 98         y_hat = tf.to_int32(tf.argmax(logits, axis=-1))
 99 
100         return logits, y_hat, y, sents2
101 
102     def train(self, xs, ys):
103         '''
104         Returns
105         loss: scalar.
106         train_op: training operation
107         global_step: scalar.
108         summaries: training summary node
109         '''
110         # forward
111         memory, sents1 = self.encode(xs)
112         logits, preds, y, sents2 = self.decode(ys, memory)
113 
114         # train scheme
115         y_ = label_smoothing(tf.one_hot(y, depth=self.hp.vocab_size))
116         ce = tf.nn.softmax_cross_entropy_with_logits_v2(logits=logits, labels=y_)
117         nonpadding = tf.to_float(tf.not_equal(y, self.token2idx["<pad>"]))  # 0: <pad>
118         # 测试一下********************************************
119         print(tf.reduce_sum(nonpadding))
120         # ********************************************************
121         loss = tf.reduce_sum(ce * nonpadding) / (tf.reduce_sum(nonpadding) + 1e-7)
122 
123         global_step = tf.train.get_or_create_global_step()
124         lr = noam_scheme(self.hp.lr, global_step, self.hp.warmup_steps)
125         optimizer = tf.train.AdamOptimizer(lr)
126         train_op = optimizer.minimize(loss, global_step=global_step)
127 
128         tf.summary.scalar('lr', lr)
129         tf.summary.scalar("loss", loss)
130         tf.summary.scalar("global_step", global_step)
131 
132         summaries = tf.summary.merge_all()
133 
134         return loss, train_op, global_step, summaries
135 
136     def eval(self, xs, ys):
137         '''Predicts autoregressively
138         At inference, input ys is ignored.
139         Returns
140         y_hat: (N, T2)
141         '''
142         decoder_inputs, y, y_seqlen, sents2 = ys
143 
144         decoder_inputs = tf.ones((tf.shape(xs[0])[0], 1), tf.int32) * self.token2idx["<s>"]
145         ys = (decoder_inputs, y, y_seqlen, sents2)
146 
147         memory, sents1 = self.encode(xs, False)
148 
149         logging.info("Inference graph is being built. Please be patient.")
150         for _ in tqdm(range(self.hp.maxlen2)):
151             logits, y_hat, y, sents2 = self.decode(ys, memory, False)
152             if tf.reduce_sum(y_hat, 1) == self.token2idx["<pad>"]: break
153 
154             _decoder_inputs = tf.concat((decoder_inputs, y_hat), 1)
155             ys = (_decoder_inputs, y, y_seqlen, sents2)
156 
157         # monitor a random sample
158         n = tf.random_uniform((), 0, tf.shape(y_hat)[0]-1, tf.int32)
159         sent1 = sents1[n]
160         pred = convert_idx_to_token_tensor(y_hat[n], self.idx2token)
161         sent2 = sents2[n]
162 
163         tf.summary.text("sent1", sent1)
164         tf.summary.text("pred", pred)
165         tf.summary.text("sent2", sent2)
166         summaries = tf.summary.merge_all()
167 
168         return y_hat, summaries
View Code

 

还有一些值得说明的地方:我们会发现作者在train()方法里的代码,解码器的输入只用了一次输入,然后利用下三角的方法完成每一次的sequence mask,但是在eval()方法里却按照序列长度分次输入,如果序列长度是100,则跑了100次decoder,一开始decoder_inputs的输入只有开始符<S>,后来每一次多一个token。这样做是为了方便在做inference的时候也能调用这个eval()方法。

 一些疑问(暂时未解决):

1、为什么生成Q、K、V的dense层选择不用偏置use_bias=False

 

 

参考博客

https://blog.csdn.net/u012526436/article/details/86295971

https://www.jianshu.com/p/6670f775625f

https://blog.csdn.net/ustbbsy/article/details/79564828

https://blog.csdn.net/googler_offer/article/details/89929657

https://blog.csdn.net/qq_16234613/article/details/81703228

https://blog.csdn.net/Eartha1995/article/details/84930492

https://blog.csdn.net/Bruce_Wang02/article/details/81036796

https://blog.csdn.net/qq_35203425/article/details/81560118

https://www.jqr.com/article/000481

 

posted @ 2019-06-30 15:55  不著人间风雨门  阅读(...)  评论(...编辑  收藏