#

训练自回归变压器

这将为自动回归训练一个简单的变压器模型。

12import torch
13from labml import experiment
14from labml.configs import option
15from labml.utils.pytorch import get_modules
16from labml_helpers.module import Module
17
18from labml_nn.experiments.nlp_autoregression import NLPAutoRegressionConfigs
19from labml_nn.transformers import Encoder, Generator, TransformerConfigs
20from labml_nn.transformers.utils import subsequent_mask

#

自动回归模型

23class AutoregressiveModel(Module):

#

28    def __init__(self, src_embed: Module, encoder: Encoder, generator: Generator, *,
29                 is_save_ff_input: bool = False):
30        super().__init__()

#

令牌嵌入模块

32        self.src_embed = src_embed

#

基于变压器的编码器

34        self.encoder = encoder

#

编码器的最后一层是否应将输入保存到前馈层。这已经出来了 $f (c_{t})$ ，上下文的嵌入。

38        self.encoder.layers[-1].is_save_ff_input = is_save_ff_input

#

下一代币生成层；这会给出下一个令牌的日志

41        self.generator = generator

#

这将在第一次调用时初始化

43        self.src_mask = None

#

检索已保存 $f (c_{t})$

45    @property
46    def ff_input(self) -> torch.Tensor:

#

50        return self.encoder.layers[-1].ff_input

#

52    def forward(self, src: torch.Tensor):

#

创建后续掩码，以便变压器只能关注过去的令牌。

54        if self.src_mask is None or self.src_mask.size(0) != len(src):
55            self.src_mask = subsequent_mask(len(src)).to(src.device)

#

嵌入令牌 (src ) 并通过变压器运行它

57        res = self.encoder(self.src_embed(src), self.src_mask)

#

生成下一个令牌的日志

59        return self.generator(res), None

#

配置

当我们开始实验时，默认配置可以而且将会被覆盖

62class Configs(NLPAutoRegressionConfigs):

#

69    transformer: TransformerConfigs
70    model: AutoregressiveModel
71
72    is_save_ff_input = False

#

初始化自回归模型

75@option(Configs.model)
76def autoregressive_model(c: Configs):

#

80    m = AutoregressiveModel(

#

从可配置的转换器获取源令牌嵌入层、编码器和最终令牌生成器

83        src_embed=c.transformer.src_embed,
84        encoder=c.transformer.encoder,
85        generator=c.transformer.generator,

#

是否保存 $f (c_{t})$

87        is_save_ff_input=c.is_save_ff_input)
88    return m.to(c.device)

#

为我们的自回归模型初始化可配置的变压器编码器

91@option(Configs.transformer)
92def transformer_c(c: Configs):

#

96    tc = TransformerConfigs()
97    tc.n_src_vocab = c.n_tokens
98    tc.n_tgt_vocab = c.n_tokens
99
100    return tc

#

103def main():

#

创建实验

105    experiment.create(name="knn_lm")

#

创建配置

107    conf = Configs()

#

装载配置

109    experiment.configs(conf,

#

要覆盖的配置字典

111                       {'tokenizer': 'character',
112                        'prompt_separator': '',
113                        'prompt': 'It is ',
114                        'text': 'tiny_shakespeare',
115
116                        'optimizer.optimizer': 'Noam',
117                        'optimizer.learning_rate': 1.,
118                        'optimizer.d_model': 256,
119
120                        'seq_len': 1024,
121                        'epochs': 128,
122                        'batch_size': 6,
123                        'inner_iterations': 10,

#

变压器配置

126                        'transformer.d_model': 256,
127                        'transformer.ffn.d_ff': 1024,
128                        'transformer.n_heads': 8,
129                        'transformer.n_layers': 6})

#

这是初始化模型所必需的

132    conf.n_tokens = conf.text.n_tokens

#

设置用于保存和加载的模型

135    experiment.add_pytorch_models(get_modules(conf))

#

开始实验

138    with experiment.start():

#

TrainValidConfigs.run

140        conf.run()
141
142
143if __name__ == '__main__':
144    main()