mindspore.nn.TransformerEncoderLayer

class mindspore.nn.TransformerEncoderLayer(d_model: int, nhead: int, dim_feedforward: int = 2048, dropout: float = 0.1, activation: Union[str, Cell, callable] = 'relu', layer_norm_eps: float = 1e-05, batch_first: bool = False, norm_first: bool = False, dtype=mstype.float32)[源代码]

Transformer的编码器层。Transformer编码器的单层实现,包括MultiheadAttention层和FeedForward层。

参数:
  • d_model (int) - 输入的特征数。

  • nhead (int) - MultiheadAttention模块中注意力头的数量。

  • 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]) - 中间层的激活函数,可以输入字符串( "relu""gelu" )、函数接口( mindspore.ops.relu()mindspore.ops.gelu() )或激活函数层实例( mindspore.nn.ReLUmindspore.nn.GELU )。默认值: 'relu'

  • 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

  • dtype (mindspore.dtype) - Parameter的数据类型。默认值: mstype.float32

输入:
  • src (Tensor) - 源序列。如果源序列没有batch,shape是 \((S, E)\) ;否则如果 batch_first=False ,则shape为 \((S, N, E)\) ,如果 batch_first=True ,则shape为 \((N, S, E)\)\((S)\) 是源序列的长度, \((N)\) 是batch个数, \((E)\) 是特性个数。数据类型:float16、float32或者float64。

  • src_mask (Tensor, 可选) - 源序列的掩码矩阵。shape是 \((S, S)\)\((N*nhead, S, S)\) 。数据类型:float16、float32、float64或者bool。默认值:None

  • src_key_padding_mask (Tensor, 可选) - 源序列Key矩阵的掩码矩阵。如果目标序列没有batch,shape是 \((S)\) ,否则shape为 \((N, S)\) 。数据类型:float16、float32、float64或者bool。默认值:None

输出:

Tensor。Tensor的shape和dtype与 src 一致。

异常:
支持平台:

Ascend GPU CPU

样例:

>>> import mindspore as ms
>>> import numpy as np
>>> encoder_layer = ms.nn.TransformerEncoderLayer(d_model=512, nhead=8)
>>> src = ms.Tensor(np.random.rand(10, 32, 512), ms.float32)
>>> out = encoder_layer(src)
>>> print(out.shape)
(10, 32, 512)
>>> # Alternatively, when batch_first=True:
>>> encoder_layer = ms.nn.TransformerEncoderLayer(d_model=512, nhead=8, batch_first=True)
>>> src = ms.Tensor(np.random.rand(32, 10, 512), ms.float32)
>>> out = encoder_layer(src)
>>> print(out.shape)
(32, 10, 512)