mindspore.nn.Transformer

class mindspore.nn.Transformer(d_model: int = 512, nhead: int = 8, num_encoder_layers: int = 6, num_decoder_layers: int = 6, dim_feedforward: int = 2048, dropout: float = 0.1, activation: Union[str, Cell, callable] = 'relu', custom_encoder: Optional[Cell] = None, custom_decoder: Optional[Cell] = None, layer_norm_eps: float = 1e-05, batch_first: bool = False, norm_first: bool = False)[源代码]

Transformer模块,包括编码器和解码器。本模块与原论文的实现不同,原论文在LayerNorm前使用了残差模块。且默认的隐藏层激活函数为 gelu 。详情可见 Attention is all you need

参数:
  • d_model (int) - Encoder或Decoder输入的特征数。默认值:512

  • nhead (int) - 注意力头的数量。默认值:8

  • num_encoder_layers (int) - Encoder的层数。默认值:6

  • num_decoder_layers (int) - Decoder的层数。默认值:6

  • dim_feedforward (int) - FeedForward层的维数。默认值:2048

  • dropout (float) - 随机丢弃比例。默认值:0.1

  • activation (Union[str, callable, Cell]) - Encoder或Decoder中间层的激活函数,可以输入字符串("relu""gelu")、函数接口(ops.reluops.gelu)或激活函数层实例(nn.ReLU()nn.GELU())。默认值:"relu"

  • custom_encoder (Cell) - 自定义Encoder层。默认值:None

  • custom_decoder (Cell) - 自定义Decoder层。默认值:None

  • layer_norm_eps (float) - LayerNorm层的eps值,默认值:1e-5

  • batch_first (bool) - 如果为 True 则输入输出Shape为 \((batch, seq, feature)\) ,反之,Shape为 \((seq, batch, feature)\) 。默认值: False

  • norm_first (bool) - 如果为 True,则LayerNorm层位于MultiheadAttention层和FeedForward层之前,反之,位于其后。默认值: False

输入:
  • src (Tensor) - 源序列。

  • tgt (Tensor) - 目标序列。

  • src_mask (Tensor, 可选) - 源序列的掩码矩阵。默认值:None

  • tgt_mask (Tensor, 可选) - 目标序列的掩码矩阵。默认值:None

  • memory_mask (Tensor, 可选) - memory序列的掩码矩阵。默认值:None

  • src_key_padding_mask (Tensor, 可选) - 源序列Key矩阵的掩码矩阵。默认值:None

  • tgt_key_padding_mask (Tensor, 可选) - 目标序列Key矩阵的掩码矩阵。默认值:None

  • memory_key_padding_mask (Tensor, 可选) - memory序列Key矩阵的掩码矩阵。默认值:None

输出:

Tensor。

支持平台:

Ascend GPU CPU

样例:

>>> transformer_model = nn.Transformer(nhead=16, num_encoder_layers=12)
>>> src = Tensor(np.random.rand(10, 32, 512), mindspore.float32)
>>> tgt = Tensor(np.random.rand(20, 32, 512), mindspore.float32)
>>> out = transformer_model(src, tgt)
>>> print(out.shape)
(20, 32, 512)