class Decoder(nn.Module):
"""
Decoder由6层DecoderLayer构成
"""
def __init__(self, target_vocab_num, max_seq_len, pad_idx=0):
"""
:param target_vocab_num: 全部目标序列的单词数
:param max_seq_len: 全部目标序列的最大长度
:param pad_idx: 屏蔽位，默认为0
"""
super(Decoder, self).__init__()
self.word_embedding = nn.Embedding(target_vocab_num,
config.d_model) # 构建词向量层 M*D
self.pos_encoding = PositionalEncoding(max_seq_len + 1, config.d_model,
pad_idx) # 构建位置向量层 (M+1)*D
self.decoder_layers = nn.ModuleList(
[DecoderLayer() for _ in range(config.layers)]) # 堆叠n层DecoderLayer
self.mask_obj = Mask() # mask类
self.tool = Tools() # 工具类
def forward(self, tgt_seq, src_seq, enc_out):
"""
:param tgt_seq: 该批目标序列 B*L
:param src_seq: 该批输入序列 B*L
:param enc_out: 编码器的输出 B*L*(d*h=d_model)
:return: 解码器的输出 B*L*(d*h)
"""
tgt_pos = self.tool.seq_2_pos(tgt_seq) # 生成目标序列的位置向量 B*L
no_pad_mask = self.mask_obj.no_padding_mask(
tgt_seq) # 生成target序列补齐位的屏蔽位 B*L*1
pad_mask = self.mask_obj.padding_mask(tgt_seq,
tgt_seq) # 生成序列的补齐位的屏蔽位 B*L*L
seq_mask = self.mask_obj.sequence_mask(tgt_seq) # 生成子序列屏蔽位（上三角形） B*L*L
pad_seq_mask = (pad_mask + seq_mask).gt(0) # 在解码器中，结合两种mask B*L*L
# 在第二层的多头注意力机制中，产生context类的mask B * tgt_L * src_L
dec_enc_mask = self.mask_obj.padding_mask(src_seq, tgt_seq)
# Decoder的第一层为词向量word embedding+位置向量 embedding
dec_in = self.word_embedding(tgt_seq) + self.pos_encoding(
tgt_pos) # B*L*(h*d=d_model)
dec_out = 0
for decoder_layer in self.decoder_layers: # 循环计算每一层
dec_out = decoder_layer(dec_in, enc_out, no_pad_mask, pad_seq_mask,
dec_enc_mask)
dec_in = dec_out # 上一层的输出等于下一层的输入
return dec_out
def __init__(self, input_vocab_num, max_seq_len, pad_idx=0):
"""
:param input_vocab_num: 全部输入序列的词典的单词数
:param max_seq_len: 输入序列最大长度
:param pad_idx: pad的填充位置，默认为0
"""
super(Encoder, self).__init__()
self.word_embedding = nn.Embedding(input_vocab_num, config.d_model, padding_idx=pad_idx) # 词向量层 N*D
self.pos_encoding = PositionalEncoding(max_seq_len + 1, config.d_model, pad_idx) # 位置向量层 (N+1)*D
self.encoder_layers = nn.ModuleList([EncoderLayer() for _ in range(config.layers)]) # 堆叠n层encoder_layer
self.pad_obj = Mask() # mask对象
self.tool = Tools() # 工具对象
def __init__(self, target_vocab_num, max_seq_len, pad_idx=0):
"""
:param target_vocab_num: 全部目标序列的单词数
:param max_seq_len: 全部目标序列的最大长度
:param pad_idx: 屏蔽位，默认为0
"""
super(Decoder, self).__init__()
self.word_embedding = nn.Embedding(target_vocab_num, config.d_model) # 构建词向量层 M*D
self.pos_encoding = PositionalEncoding(max_seq_len + 1, config.d_model, pad_idx) # 构建位置向量层 (M+1)*D
self.decoder_layers = nn.ModuleList([DecoderLayer() for _ in range(config.layers)]) # 堆叠n层DecoderLayer
self.mask_obj = Mask() # mask类
self.tool = Tools() # 工具类
class Encoder(nn.Module):
"""
Encoder由6层EncodeLayer堆叠构成
"""
def __init__(self, input_vocab_num, max_seq_len, pad_idx=0):
"""
:param input_vocab_num: 全部输入序列的词典的单词数
:param max_seq_len: 输入序列最大长度
:param pad_idx: pad的填充位置，默认为0
"""
super(Encoder, self).__init__()
self.word_embedding = nn.Embedding(input_vocab_num,
config.d_model,
padding_idx=pad_idx) # 词向量层 N*D
self.pos_encoding = PositionalEncoding(max_seq_len + 1, config.d_model,
pad_idx) # 位置向量层 (N+1)*D
self.encoder_layers = nn.ModuleList([
EncoderLayer() for _ in range(config.layers)
]) # 堆叠n层encoder_layer
self.pad_obj = Mask() # mask对象
self.tool = Tools() # 工具对象
def forward(self, src_seq):
"""
:param src_seq: 输入批序列 B*L
:return: 6层encoder子层的计算结果 B*L*？
"""
src_pos = self.tool.seq_2_pos(src_seq) # 生成输入序列对应的位置序列 B*L
# Encoder第一层的输入是词向量word embedding + 位置向量positional encoding B*L*D
enc_in = self.word_embedding(src_seq) + self.pos_encoding(src_pos)
pad_mask = self.pad_obj.padding_mask(
src_seq, src_seq) # pad_mask 由补齐序列产生的屏蔽位 B*L*L
no_pad_mask = self.pad_obj.no_padding_mask(src_seq) # 序列补齐位的屏蔽位 B*L*1
enc_out = 0
for encoder_layer in self.encoder_layers: # 循环计算每一层
enc_out = encoder_layer(enc_in, pad_mask, no_pad_mask)
enc_in = enc_out # 上一层的输出等于下一层的输入
return enc_out