比较与torch.nn.TransformerDecoderLayer的差异

查看源文件

torch.nn.TransformerDecoderLayer

class torch.nn.TransformerDecoderLayer(
    d_model,
    nhead,
    dim_feedforward=2048,
    dropout=0.1,
    activation='relu'
)(tgt, memory, tgt_mask=None, memory_mask=None, tgt_key_padding_mask=None, memory_key_padding_mask=None)

更多内容详见torch.nn.TransformerDecoderLayer

mindspore.nn.TransformerDecoderLayer

class mindspore.nn.TransformerDecoderLayer(
    d_model,
    nhead,
    dim_feedforward=2048,
    dropout=0.1,
    activation='relu',
    layer_norm_eps=1e-5,
    batch_first=False,
    norm_first=False,
    dtype=mstype.float32=False
)(tgt, memory, tgt_mask=None, memory_mask=None, tgt_key_padding_mask=None, memory_key_padding_mask=None)

更多内容详见mindspore.nn.TransformerDecoderLayer

差异对比

torch.nn.TransformerDecoderLayermindspore.nn.TransformerDecoderLayer 用法基本一致。

分类

子类

PyTorch

MindSpore

差异

参数

参数1

d_model

d_model

功能一致

参数2

nhead

nhead

功能一致

参数3

dim_feedforward

dim_feedforward

功能一致

参数4

dropout

dropout

功能一致

参数5

activation

activation

功能一致

参数6

layer_norm_eps

MindSpore可配置LayerNorm层的eps值, PyTorch没有此功能

参数7

batch_first

MindSpore可配置第一维是否输出batch维度, PyTorch没有此功能

参数8

norm_first

MindSpore可配置LayerNorm层是否位于Multiheadttention层和FeedForward之间或之后, PyTorch没有此功能

参数9

dtype

MindSpore可配置网络参数的dtype, PyTorch没有此功能。

输入

输入1

tgt

tgt

功能一致

输入2

memory

memory

功能一致

输入3

tgt_mask

tgt_mask

MindSpore中dtype可设置为float或bool Tensor,PyTorch中dtype可设置为float、byte或bool Tensor

输入4

memory_mask

memory_mask

MindSpore中dtype可设置为float或bool Tensor,PyTorch中dtype可设置为float、byte或bool Tensor

输入5

tgt_key_padding_mask

tgt_key_padding_mask

MindSpore中dtype可设置为float或bool Tensor,PyTorch中dtype可设置为byte或bool Tensor

输入6

memory_key_padding_mask

memory_key_padding_mask

MindSpore中dtype可设置为float或bool Tensor,PyTorch中dtype可设置为byte或bool Tensor

代码示例

# PyTorch
import torch
from torch import nn

decoder_layer = nn.TransformerDecoderLayer(d_model=512, nhead=8)
transformer_decoder = nn.TransformerDecoder(decoder_layer, num_layers=6)
memory = torch.rand(10, 32, 512)
tgt = torch.rand(20, 32, 512)
out = transformer_decoder(tgt, memory)
print(out.shape)
#torch.Size([20, 32, 512])

# MindSpore
import mindspore as ms
import numpy as np

decoder_layer = ms.nn.TransformerDecoderLayer(d_model=512, nhead=8)
transformer_decoder = ms.nn.TransformerDecoder(decoder_layer, num_layers=6)
memory = ms.Tensor(np.random.rand(10, 32, 512), ms.float32)
tgt = ms.Tensor(np.random.rand(20, 32, 512), ms.float32)
out = transformer_decoder(tgt, memory)
print(out.shape)
#(20, 32, 512)