|
|
import torch
|
|
|
from torch import nn
|
|
|
import math
|
|
|
import config
|
|
|
class PositionalEncoding(nn.Module):
|
|
|
"""实现Positional Encoding功能"""
|
|
|
|
|
|
def __init__(self, d_model=config.input_dim, dropout=config.dropout, max_len=config.seq_len):
|
|
|
"""
|
|
|
位置编码器的初始化函数
|
|
|
:param d_model: 词向量的维度，与输入序列的特征维度相同，512
|
|
|
:param dropout: 置零比率
|
|
|
:param max_len: 句子最大长度,5000
|
|
|
"""
|
|
|
super(PositionalEncoding, self).__init__()
|
|
|
# 初始化一个nn.Dropout层，设置给定的dropout比例
|
|
|
self.dropout = nn.Dropout(p=dropout)
|
|
|
|
|
|
# 初始化一个位置编码矩阵
|
|
|
# (5000,512)矩阵，保持每个位置的位置编码，一共5000个位置，每个位置用一个512维度向量来表示其位置编码
|
|
|
pe = torch.zeros(max_len, d_model)
|
|
|
# 偶数和奇数在公式上有一个共同部分，使用log函数把次方拿下来，方便计算
|
|
|
# position表示的是字词在句子中的索引，如max_len是128，那么索引就是从0，1，2，...,127
|
|
|
# 论文中d_model是512，2i符号中i从0取到255，那么2i对应取值就是0,2,4...510
|
|
|
# (5000) -> (5000,1)
|
|
|
position = torch.arange(0, max_len, dtype=torch.float).unsqueeze(1)
|
|
|
# 计算用于控制正余弦的系数，确保不同频率成分在d_model维空间内均匀分布
|
|
|
div_term = torch.exp(torch.arange(0, d_model, 2).float() * (-math.log(10000.0) / d_model))
|
|
|
# 根据位置和div_term计算正弦和余弦值，分别赋值给pe的偶数列和奇数列
|
|
|
pe[:, 0::2] = torch.sin(position * div_term) # 从0开始到最后面，补长为2，其实代表的就是偶数位置
|
|
|
pe[:, 1::2] = torch.cos(position * div_term) # 从1开始到最后面，补长为2，其实代表的就是奇数位置
|
|
|
# 上面代码获取之后得到的pe:[max_len * d_model]
|
|
|
# 下面这个代码之后得到的pe形状是：[1 * max_len * d_model]
|
|
|
# 多增加1维，是为了适应batch_size
|
|
|
# (5000, 512) -> (1, 5000, 512)
|
|
|
pe = pe.unsqueeze(0)
|
|
|
# 将计算好的位置编码矩阵注册为模块缓冲区（buffer），这意味着它将成为模块的一部分并随模型保存与加载，但不会被视为模型参数参与反向传播
|
|
|
self.register_buffer('pe', pe)
|
|
|
|
|
|
def forward(self, x):
|
|
|
"""
|
|
|
x: [seq_len, batch_size, d_model] 经过词向量的输入
|
|
|
"""
|
|
|
x = x + self.pe[:, :x.size(1)].clone().detach() # 经过词向量的输入与位置编码相加
|
|
|
# Dropout层会按照设定的比例随机“丢弃”（置零）一部分位置编码与词向量相加后的元素，
|
|
|
# 以此引入正则化效果，防止模型过拟合
|
|
|
return self.dropout(x)
|
|
|
|
