2

使用torch.nn.modules.transformer.Transformer模块/对象时，第一层是encoder.layers.0.self_attn层即MultiheadAttention层，即

from torch.nn.modules.transformer import Transformer
bumblebee = Transformer()

bumblee.parameters

[出去]：

<bound method Module.parameters of Transformer(
  (encoder): TransformerEncoder(
    (layers): ModuleList(
      (0): TransformerEncoderLayer(
        (self_attn): MultiheadAttention(
          (out_proj): Linear(in_features=512, out_features=512, bias=True)
        )
        (linear1): Linear(in_features=512, out_features=2048, bias=True)
        (dropout): Dropout(p=0.1, inplace=False)
        (linear2): Linear(in_features=2048, out_features=512, bias=True)
        (norm1): LayerNorm((512,), eps=1e-05, elementwise_affine=True)
        (norm2): LayerNorm((512,), eps=1e-05, elementwise_affine=True)
        (dropout1): Dropout(p=0.1, inplace=False)
        (dropout2): Dropout(p=0.1, inplace=False)
      )

如果我们打印出层的大小，我们会看到：

for name in bumblebee.encoder.state_dict():
    print(name, '\t', bumblebee.encoder.state_dict()[name].shape)

[出去]：

layers.0.self_attn.in_proj_weight    torch.Size([1536, 512])
layers.0.self_attn.in_proj_bias      torch.Size([1536])
layers.0.self_attn.out_proj.weight   torch.Size([512, 512])
layers.0.self_attn.out_proj.bias     torch.Size([512])
layers.0.linear1.weight      torch.Size([2048, 512])
layers.0.linear1.bias    torch.Size([2048])
layers.0.linear2.weight      torch.Size([512, 2048])
layers.0.linear2.bias    torch.Size([512])
layers.0.norm1.weight    torch.Size([512])
layers.0.norm1.bias      torch.Size([512])
layers.0.norm2.weight    torch.Size([512])
layers.0.norm2.bias      torch.Size([512])

看起来 1536 是 512 * 3 并且不知何故，该layers.0.self_attn.in_proj_weight参数可能将变压器架构中的所有三个 QKV 张量存储在一个矩阵中。

来自https://github.com/pytorch/pytorch/blob/master/torch/nn/modules/activation.py#L649 

class MultiheadAttention(Module):
    def __init__(self, embed_dim, num_heads, dropout=0., bias=True, add_bias_kv=False, add_zero_attn=False, kdim=None, vdim=None):
        super(MultiheadAttention, self).__init__()
        self.embed_dim = embed_dim
        self.kdim = kdim if kdim is not None else embed_dim
        self.vdim = vdim if vdim is not None else embed_dim
        self._qkv_same_embed_dim = self.kdim == embed_dim and self.vdim == embed_dim

        self.num_heads = num_heads
        self.dropout = dropout
        self.head_dim = embed_dim // num_heads
        assert self.head_dim * num_heads == self.embed_dim, "embed_dim must be divisible by num_heads"

        if self._qkv_same_embed_dim is False:
            self.q_proj_weight = Parameter(torch.Tensor(embed_dim, embed_dim))
            self.k_proj_weight = Parameter(torch.Tensor(embed_dim, self.kdim))
            self.v_proj_weight = Parameter(torch.Tensor(embed_dim, self.vdim))
        else:
            self.in_proj_weight = Parameter(torch.empty(3 * embed_dim, embed_dim))

并且文档字符串中的注释MultiheadAttention说：

注意：如果 kdim 和 vdim 为 None，它们将被设置为 embed_dim 以便查询、键和值具有相同数量的特征。

那是对的吗？

4

1 回答 1

3

从nn.Transformer具有默认值的定义中，EncoderLayer实例化为d_model=512, nhead=8.

被MultiheadAttention实例化为d_model, nhead等于这些值，并且k_dim,v_dim保留为 的默认值None。

如果它们是None，则self._qkv_same_embed_dim在此行计算为True。发生这种情况时，正如您正确指出的那样，self.in_proj_weight 它被定义为形状的张量(3 x embed_dim, embed_dim)。

简而言之：是的，这是正确的。

于 2019-10-25T12:52:14.940 回答