nn.TransformerEncoderLayer中的src

注意，不同版本的pytorch，对nn.TransformerEncdoerLayer部分代码差别很大，比如1.8.0版本中没有batch_first参数，而1.10.1版本中就增加了这个参数，笔者这里使用pytorch1.10.1版本实验。

要搞清楚src_mask和src_key_padding_mask的区别，关键在于搞清楚在self-attention中attention mask的作用是啥。

(

)

attetnion \ score = softmax({QK^{T} \over \sqrt d_{k} })V

attetnion score=softmax(d
kQKT)V

上式中，并没有体现出pad的token，认为所有token都是有用的，但是实际写代码时使用batch进行训练，所以要将所有token序列pad到相同的长度。

attention mask的作用就是，在计算注意力分数的时候，告诉模型，哪些token是pad的，不应该分配注意力分数。

针对一条长度为

L的token序列，其attention mask的矩阵应该是

∗

L*L

L∗L，下图是一个attention mask，蓝色的表示不是pad的token，灰色的表示pad的token。

在这里插入图片描述

但是针对attention mask中蓝色位置和灰色位置中的值，目前有两种做法：

在huggingface的transformers中实现是，将蓝色位置填1 ，灰色位置填0，也就是1表示真实序列，不需要被mask，而0表示pad序列，需要被mask。但是为了用户操作，huggingface并没有要求用户输入一个
B

∗

L

∗

L

B*L*L

B∗L∗L的mask矩阵，而是输入

B

∗

L

B*L

B∗L的矩阵即可，然后在forward函数中使用get_extended_attention_mask方法将其扩展为

B

∗

L

∗

L

B*L*L

B∗L∗L的mask矩阵。
在pytorch的transformers中的实现是，蓝色的位置填0，灰色的位置填float(“-inf”),但是在实现时，又分为了src_mask和src_key_padding_mask，而最终的attention mask矩阵，是通过这个两个矩阵得到的。

其中：

src_mask: 必须是2D或者3D的矩阵，形状为

[

]

[L,S]

[L,S]或者

[

∗

]

[B*num\_heads, L, S]

[B∗num_heads,L,S]，

L是目标序列长度，

S是源序列长度（只有涉及到机器翻译这种encoder-decoder框架目标序列和源序列才有意义，如果只是用transformer encoder做编码，则

L=S

L=S），

B是batch size，

num\ head

num head表示头数。另外src_mask的取值有三种，

src_key_padding_mask：是一个2D的矩阵，形状为

[

]

[B, S]

[B,S]，取值有两种，

这里的key矩阵应该也是为了涵盖encoder-decoder这样的情况，对于只用transformer encoder的情况，src_key_padding_mask则更像是huggingface 中的attention mask。

其实在pytorch官方代码中，是通过src_mask和src_key_padding_mask二者综合得到最终的attention_mask。对于绝大多数情况，我们只需要使用src_key_padding_mask即可。

本文来自网络，不代表协通编程立场，如若转载，请注明出处：https://net2asp.com/9afb4ab612.html