摘要：Transformer模型通过自注意力机制进行信息建模，包含编码器和解码器两部分。编码器将输入序列转化为上下文丰富的表示，解码器则根据编码器输出和已生成序列生成目标输出。本文同样介绍了Transformer的改进版相对位置编码、并行化计算等其他特性。

1 模型结构

1.1 词嵌入

• 输入
  • 单词索引 [batch_size, seq_len]
• 输出
  • 词嵌入 [batch_size, seq_len, d_model]
  • d_model ：词嵌入维度。
• 参数
  • Embedding

1.2 位置编码

• 输入
  • 词嵌入 [seq_len, batch_size, d_model]
  • 不同位置的位置编码不同，使用 .transpose(0, 1) 把 seq_len 的维度放外面方便操作。
• 输出
  • 位置编码 [seq_len, batch_size, d_model]
• 计算
  • 拿到最大序列长度、词嵌入维度，用正余弦函数计算所有可能的绝对位置向量。
  • 处理输入文本数据，对每个位置，从刚刚计算的矩阵中索引拿到向量。

1.3 Encoder

• 一句话
  • 接收文本表示，将其编码为一组上下文丰富的表示，供 Decoder 使用。
• 输入
  • Encoder输入层的词向量：[batch_size, seq_len, d_model]。
• 输出
  • 词向量：[batch_size, seq_len, d_model]。
• 结构
  • 由n个完全相同的大模块堆叠而成（原论文 n=6）：Encoder多头点乘注意力、Add&Norm、前馈层、Add&Norm。

1.4 Decoder

• 一句话
  • 根据 Encoder 的输出和当前生成的部分目标序列，逐步生成目标序列。
• 输入
  • Encoder输出的词向量：[batch_size, seq_len, d_model]。
  • Dncoder输入层词向量：[batch_size, seq_len, d_model]。
• 输出
  • 词向量：[batch_size, seq_len, d_model]。
• 结构
  • 由n个完全相同的大模块堆叠而成（原论文 n=6）：Decoder带掩码多头点乘注意力、Add&Norm、Encoder-Decoder 多头点乘注意力、Add&Norm、前馈层、Add&Norm。
  • 在Encoder-Decoder交互时，每层Decoder使用的都是n层Encoder的最终输出。

1.5 输出层

• 输入
  • 词向量：[batch_size, seq_len, d_model]。
• 输出
  • 训练阶段：每个词的向量 [batch_size * seq_len, tgt_vocab_size] ，展平是为了计算损失函数时，能够将每个词的预测都视为独立的样本。
  • 预测阶段：词编号 [batch_size, seq_len]
• 参数
  • Linear：[d_model, tgt_vocab_size]。
• 计算
  • 线性转换：[batch_size, seq_len, tgt_vocab_size]。
  • 如果为训练阶段：展平为 [batch_size * seq_len, tgt_vocab_size]。
  • 如果为预测阶段：套一个softmax，取概率最大的词。

1.6 多头点乘注意力层

• 输入
  • 词向量：[batch_size, seq_len, d_model]。
• 输出
  • 词向量：[batch_size, seq_len, d_model]。
• 参数
  • Q/K/V权重：3个 [d_model, d_k * n_heads]。（假设Q/K/V维度相同）
  • Linear：[d_k * n_heads, d_model] 。
• 计算
  • 以下步骤自觉用 view 或 transpose 调整形状。
  • Q/K/V初始化为词向量：Self-Attention中，Q/K/V都是自身输入；Encoder-Decoder Attention中，Q来自Decoder，K和V来自Encoder。
  • Q/K/V线性映射：[batch_size, n_heads, seq_len, d_k]。
  • Q/K点积并缩放：Q∗Ksqrt(dk) 得到 [batch_size, n_heads, seq_len, seq_len] 。
  • 掩码：[batch_size, n_heads, seq_len, seq_len]
    • 填充掩码：当K在该位置是 [pad] 时为 True ，得到 [batch_size, seq_len] 。
    • 顺序掩码（如果是Decoder）：对K的每个位置，将它后面的位置盖住，得到上三角 [batch_size, seq_len, seq_len] 。
    • 广播：广播为 [batch_size, n_heads, seq_len, seq_len]。再利用注意填充掩码把K为 [pad] 的注意力分数设为 −∞ ，表示对单词不起作用。
  • 注意力分数：[batch_size, n_heads, seq_len, seq_len] ，在掩码后的Q/K点积上套softmax。
  • 注意力分数 * V：[batch_size, n_heads, seq_len, d_model] ，得到Encoder的输出。

1.7 前馈层

• 一句话
  • 对每个位置的表示进行非线性变换，提高模型表示能力。
• 输入
  • 词向量：[batch_size, seq_len, d_model]。
• 输出
  • 词向量：[batch_size, seq_len, d_model]。
• 参数
  • 线性层实现方法
    • Linear1：[d_model, d_ff]
    • Linear2：[d_ff, d_model]
  • 卷积层实现方法
    • Conv1d1：[d_model, d_ff, 1]
    • Conv1d2：[d_ff, d_model, 1]
    • 最后1维是kernel_size
• 计算
  • 第1层Linear+Relu
  • 第2层Linear直接输出
  • 如果使用卷积层实现方法，在传入Conv1d前，要将 [batch_size, seq_len, d_model] 转为 [batch_size, d_model, seq_len]

2 原始位置编码只能表示绝对位置

• 绝对位置 vs. 相对位置
  • “我爱机器学习”
  • 绝对位置：0 1 2 3 4 5
  • “我”相对“爱”的位置是 -1
• 将2个不同位置的位置编码向量相乘
  • 距离越近，乘积越大，可以表示临近信息，但无法表示左右信息。
• 将2个不同位置的位置编码向量相乘，中间插入线性变化
  • 临近信息消失了。

3 相对位置编码 RPR

• 一句话
  • 原始位置编码在输入的时候与词向量相加，在attention丢失相对位置。因此，改进就是不在输入时加入，而在attention时再加入。
• Attention计算
  • 原始：Attention(xi,xj)=qT∗k
  • 改进：Attention(xi,xj)=qT∗k+qT∗ri−j
• ri−j 计算
  • 思想：设置attention窗口k，模型认为attention对单词周围 [-k, k] 内的相对位置敏感，超过这个范围就映射到边界值。
  • 因此RPR使用一个大小为 2k+1 的相对位置编码矩阵来存储所有可能的相对位置向量。
    

4 Attention的时间复杂度

• 一句话
  • 忽略 batch_size
  • Attention：O(seq_len2∗d_model)
  • Multi-Head Attention：O(seq_len2∗d_model∗n_heads)
• Attention 计算
  • Q K：`[seq_len d_model] × [d_model, seq_len]` ，O(seq_len2∗d_model)。
  • softmax：对矩阵中每个元素算一遍，O(seq_len2)。
  • 加权平均：[seq_len * seq_len] × [seq_len, d_model] ，O(seq_len2∗d_model)。
  • 因此，Attention的复杂度为：O(seq_len2∗d_model)。

5 并行化

• 6个encoder之间：串行
• 每个encoder中的两个子模块（多头注意力、前馈层）之间：串行
• 子模块内部：可以并行

6 为什么要缩放

transformer中的attention为什么scaled? - 知乎

• 如果 dk 变大，q∗kT 后方差会变大。
• 方差变大会导致向量之间元素的差值变大。
• 元素的差值变大会导致 softmax 退化为 argmax, 也就是最大值 softmax 后的值为 1， 其他值则为0。
• softmax 只有一个值为 1 的元素，其他都为 0 的话，反向传播的梯度会变为 0, 也就是所谓的梯度消失。

var[q⋅k⊤]=var[∑i=1dkqi×ki]=∑i=1dkvar[qi×ki]=∑i=1dkvar[qi]×var[ki]=∑i=1dk1=dk

7 两种注意力机制

• 点积注意力：score(q,k)=<W1q+W2k>/dk
• 加法注意力：score(q,k)=<v,tanh(W1q+W2k)>

8 为什么在其他softmax的场景，不需要scaled

• 普通形式的softmax
  • 点积注意力中，如果不缩放，分数分布为 [0, dk] 。
  • 加法注意力中，tanh会把数值限制在 [-1, 1] ，因此分数的分布和 dk 没有关系。
• 分类层的softmax
  • 这一层的 softmax 通常和交叉熵联合求导。
  • 如果预测正确，整体梯度接近于 0，抑制参数更新。
  • 如果预测错误，整体梯度接近于1，给出最大程度的负反馈。

9 权重共享

• Encoder的Embedding - Decoder的Embedding
  • 输入输出语言相同
    • 直接共享。
  • 输入输出语言不同（机器翻译等任务）
    • 共享共同出现的词：数字标点等。
    • 共享字词：使用BPE处理来自相同语系的语言，例如英德。
• Decoder的Embedding - 输出层的Linear
  • Embedding：vocab_size -> d_model
  • Linear：d_model -> vocab
  • 可以直接转置共享

10 处理长文本

• 滑窗
  • 把文档分成有重叠的若干段，将每一段当作独立的文档输入BERT。
• 聚合
  • 分段表征，求平均，或者加个attention融合。

11 源码解析

## from https://github.com/graykode/nlp-tutorial/tree/master/5-1.Transformer

import numpy as np
import torch
import torch.nn as nn
import torch.optim as optim
import matplotlib.pyplot as plt
import math

def make_batch(sentences):
    input_batch = [[src_vocab[n] for n in sentences[0].split()]]
    output_batch = [[tgt_vocab[n] for n in sentences[1].split()]]
    target_batch = [[tgt_vocab[n] for n in sentences[2].split()]]
    return torch.LongTensor(input_batch), torch.LongTensor(output_batch), torch.LongTensor(target_batch)

## 10
def get_attn_subsequent_mask(seq):
    """
    seq: [batch_size, tgt_len]
    """
    attn_shape = [seq.size(0), seq.size(1), seq.size(1)]
    # attn_shape: [batch_size, tgt_len, tgt_len]
    subsequence_mask = np.triu(np.ones(attn_shape), k=1)  # 生成一个上三角矩阵
    subsequence_mask = torch.from_numpy(subsequence_mask).byte()
    return subsequence_mask  # [batch_size, tgt_len, tgt_len]

## 7. ScaledDotProductAttention
class ScaledDotProductAttention(nn.Module):
    def __init__(self):
        super(ScaledDotProductAttention, self).__init__()

    def forward(self, Q, K, V, attn_mask):
        ## 输入进来的维度分别是 [batch_size x n_heads x len_q x d_k]  K： [batch_size x n_heads x len_k x d_k]  V: [batch_size x n_heads x len_k x d_v]
        ##首先经过matmul函数得到的scores形状是 : [batch_size x n_heads x len_q x len_k]
        scores = torch.matmul(Q, K.transpose(-1, -2)) / np.sqrt(d_k)

        ## 然后关键词地方来了，下面这个就是用到了我们之前重点讲的attn_mask，把被mask的地方置为无限小，softmax之后基本就是0，对q的单词不起作用
        scores.masked_fill_(attn_mask, -1e9) # Fills elements of self tensor with value where mask is one.
        attn = nn.Softmax(dim=-1)(scores)
        context = torch.matmul(attn, V)
        return context, attn

## 6. MultiHeadAttention
class MultiHeadAttention(nn.Module):
    def __init__(self):
        super(MultiHeadAttention, self).__init__()
        ## 输入进来的QKV是相等的，我们会使用映射linear做一个映射得到参数矩阵Wq, Wk,Wv
        self.W_Q = nn.Linear(d_model, d_k * n_heads)
        self.W_K = nn.Linear(d_model, d_k * n_heads)
        self.W_V = nn.Linear(d_model, d_v * n_heads)
        self.linear = nn.Linear(n_heads * d_v, d_model)
        self.layer_norm = nn.LayerNorm(d_model)

    def forward(self, Q, K, V, attn_mask):

        ## 这个多头分为这几个步骤，首先映射分头，然后计算atten_scores，然后计算atten_value;
        ##输入进来的数据形状： Q: [batch_size x len_q x d_model], K: [batch_size x len_k x d_model], V: [batch_size x len_k x d_model]
        residual, batch_size = Q, Q.size(0)
        # (B, S, D) -proj-> (B, S, D) -split-> (B, S, H, W) -trans-> (B, H, S, W)

        ##下面这个就是先映射，后分头；一定要注意的是q和k分头之后维度是一致额，所以一看这里都是dk
        q_s = self.W_Q(Q).view(batch_size, -1, n_heads, d_k).transpose(1,2)  # q_s: [batch_size x n_heads x len_q x d_k]
        k_s = self.W_K(K).view(batch_size, -1, n_heads, d_k).transpose(1,2)  # k_s: [batch_size x n_heads x len_k x d_k]
        v_s = self.W_V(V).view(batch_size, -1, n_heads, d_v).transpose(1,2)  # v_s: [batch_size x n_heads x len_k x d_v]

        ## 输入进行的attn_mask形状是 batch_size x len_q x len_k，然后经过下面这个代码得到 新的attn_mask : [batch_size x n_heads x len_q x len_k]，就是把pad信息重复了n个头上
        attn_mask = attn_mask.unsqueeze(1).repeat(1, n_heads, 1, 1)

        ##然后我们计算 ScaledDotProductAttention 这个函数，去7.看一下
        ## 得到的结果有两个：context: [batch_size x n_heads x len_q x d_v], attn: [batch_size x n_heads x len_q x len_k]
        context, attn = ScaledDotProductAttention()(q_s, k_s, v_s, attn_mask)
        context = context.transpose(1, 2).contiguous().view(batch_size, -1, n_heads * d_v) # context: [batch_size x len_q x n_heads * d_v]
        output = self.linear(context)
        return self.layer_norm(output + residual), attn # output: [batch_size x len_q x d_model]

## 8. PoswiseFeedForwardNet
class PoswiseFeedForwardNet(nn.Module):
    def __init__(self):
        super(PoswiseFeedForwardNet, self).__init__()
        self.conv1 = nn.Conv1d(in_channels=d_model, out_channels=d_ff, kernel_size=1)
        self.conv2 = nn.Conv1d(in_channels=d_ff, out_channels=d_model, kernel_size=1)
        self.layer_norm = nn.LayerNorm(d_model)

    def forward(self, inputs):
        residual = inputs # inputs : [batch_size, len_q, d_model]
        output = nn.ReLU()(self.conv1(inputs.transpose(1, 2)))
        output = self.conv2(output).transpose(1, 2)
        return self.layer_norm(output + residual)

## 4. get_attn_pad_mask

## 比如说，我现在的句子长度是5，在后面注意力机制的部分，我们在计算出来QK转置除以根号之后，softmax之前，我们得到的形状
## len_input * len*input  代表每个单词对其余包含自己的单词的影响力

## 所以这里我需要有一个同等大小形状的矩阵，告诉我哪个位置是PAD部分，之后在计算计算softmax之前会把这里置为无穷大；

## 一定需要注意的是这里得到的矩阵形状是batch_size x len_q x len_k，我们是对k中的pad符号进行标识，并没有对k中的做标识，因为没必要

## seq_q 和 seq_k 不一定一致，在交互注意力，q来自解码端，k来自编码端，所以告诉模型编码这边pad符号信息就可以，解码端的pad信息在交互注意力层是没有用到的；

def get_attn_pad_mask(seq_q, seq_k):
    batch_size, len_q = seq_q.size()
    batch_size, len_k = seq_k.size()
    # eq(zero) is PAD token
    pad_attn_mask = seq_k.data.eq(0).unsqueeze(1)  # batch_size x 1 x len_k, one is masking
    return pad_attn_mask.expand(batch_size, len_q, len_k)  # batch_size x len_q x len_k

## 3. PositionalEncoding 代码实现
class PositionalEncoding(nn.Module):
    def __init__(self, d_model, dropout=0.1, max_len=5000):
        super(PositionalEncoding, self).__init__()

        ## 位置编码的实现其实很简单，直接对照着公式去敲代码就可以，下面这个代码只是其中一种实现方式；
        ## 从理解来讲，需要注意的就是偶数和奇数在公式上有一个共同部分，我们使用log函数把次方拿下来，方便计算；
        ## pos代表的是单词在句子中的索引，这点需要注意；比如max_len是128个，那么索引就是从0，1，2，...,127
        ##假设我的demodel是512，2i那个符号中i从0取到了255，那么2i对应取值就是0,2,4...510
        self.dropout = nn.Dropout(p=dropout)

        pe = torch.zeros(max_len, d_model)
        position = torch.arange(0, max_len, dtype=torch.float).unsqueeze(1)
        div_term = torch.exp(torch.arange(0, d_model, 2).float() * (-math.log(10000.0) / d_model))
        pe[:, 0::2] = torch.sin(position * div_term)## 这里需要注意的是pe[:, 0::2]这个用法，就是从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)##这里需要注意的是pe[:, 1::2]这个用法，就是从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，我们得到的pe形状是：[max_len*1*d_model]
        pe = pe.unsqueeze(0).transpose(0, 1)

        self.register_buffer('pe', pe)  ## 定一个缓冲区，其实简单理解为这个参数不更新就可以

    def forward(self, x):
        """
        x: [seq_len, batch_size, d_model]
        """
        x = x + self.pe[:x.size(0), :]
        return self.dropout(x)

## 5. EncoderLayer ：包含两个部分，多头注意力机制和前馈神经网络
class EncoderLayer(nn.Module):
    def __init__(self):
        super(EncoderLayer, self).__init__()
        self.enc_self_attn = MultiHeadAttention()
        self.pos_ffn = PoswiseFeedForwardNet()

    def forward(self, enc_inputs, enc_self_attn_mask):
        ## 下面这个就是做自注意力层，输入是enc_inputs，形状是[batch_size x seq_len_q x d_model] 需要注意的是最初始的QKV矩阵是等同于这个输入的，去看一下enc_self_attn函数 6.
        enc_outputs, attn = self.enc_self_attn(enc_inputs, enc_inputs, enc_inputs, enc_self_attn_mask) # enc_inputs to same Q,K,V
        enc_outputs = self.pos_ffn(enc_outputs) # enc_outputs: [batch_size x len_q x d_model]
        return enc_outputs, attn

## 2. Encoder 部分包含三个部分：词向量embedding，位置编码部分，注意力层及后续的前馈神经网络

class Encoder(nn.Module):
    def __init__(self):
        super(Encoder, self).__init__()
        self.src_emb = nn.Embedding(src_vocab_size, d_model)  ## 这个其实就是去定义生成一个矩阵，大小是 src_vocab_size * d_model
        self.pos_emb = PositionalEncoding(d_model) ## 位置编码情况，这里是固定的正余弦函数，也可以使用类似词向量的nn.Embedding获得一个可以更新学习的位置编码
        self.layers = nn.ModuleList([EncoderLayer() for _ in range(n_layers)]) ## 使用ModuleList对多个encoder进行堆叠，因为后续的encoder并没有使用词向量和位置编码，所以抽离出来；

    def forward(self, enc_inputs):
        ## 这里我们的 enc_inputs 形状是： [batch_size x source_len]

        ## 下面这个代码通过src_emb，进行索引定位，enc_outputs输出形状是[batch_size, src_len, d_model]
        enc_outputs = self.src_emb(enc_inputs)

        ## 这里就是位置编码，把两者相加放入到了这个函数里面，从这里可以去看一下位置编码函数的实现；3.
        enc_outputs = self.pos_emb(enc_outputs.transpose(0, 1)).transpose(0, 1)

        ##get_attn_pad_mask是为了得到句子中pad的位置信息，给到模型后面，在计算自注意力和交互注意力的时候去掉pad符号的影响，去看一下这个函数 4.
        enc_self_attn_mask = get_attn_pad_mask(enc_inputs, enc_inputs)
        enc_self_attns = []
        for layer in self.layers:
            ## 去看EncoderLayer 层函数 5.
            enc_outputs, enc_self_attn = layer(enc_outputs, enc_self_attn_mask)
            enc_self_attns.append(enc_self_attn)
        return enc_outputs, enc_self_attns

## 10.
class DecoderLayer(nn.Module):
    def __init__(self):
        super(DecoderLayer, self).__init__()
        self.dec_self_attn = MultiHeadAttention()
        self.dec_enc_attn = MultiHeadAttention()
        self.pos_ffn = PoswiseFeedForwardNet()

    def forward(self, dec_inputs, enc_outputs, dec_self_attn_mask, dec_enc_attn_mask):
        dec_outputs, dec_self_attn = self.dec_self_attn(dec_inputs, dec_inputs, dec_inputs, dec_self_attn_mask)
        dec_outputs, dec_enc_attn = self.dec_enc_attn(dec_outputs, enc_outputs, enc_outputs, dec_enc_attn_mask)
        dec_outputs = self.pos_ffn(dec_outputs)
        return dec_outputs, dec_self_attn, dec_enc_attn

## 9. Decoder

class Decoder(nn.Module):
    def __init__(self):
        super(Decoder, self).__init__()
        self.tgt_emb = nn.Embedding(tgt_vocab_size, d_model)
        self.pos_emb = PositionalEncoding(d_model)
        self.layers = nn.ModuleList([DecoderLayer() for _ in range(n_layers)])

    def forward(self, dec_inputs, enc_inputs, enc_outputs): # dec_inputs : [batch_size x target_len]
        dec_outputs = self.tgt_emb(dec_inputs)  # [batch_size, tgt_len, d_model]
        dec_outputs = self.pos_emb(dec_outputs.transpose(0, 1)).transpose(0, 1) # [batch_size, tgt_len, d_model]

        ## get_attn_pad_mask 自注意力层的时候的pad 部分
        dec_self_attn_pad_mask = get_attn_pad_mask(dec_inputs, dec_inputs)

        ## get_attn_subsequent_mask 这个做的是自注意层的mask部分，就是当前单词之后看不到，使用一个上三角为1的矩阵
        dec_self_attn_subsequent_mask = get_attn_subsequent_mask(dec_inputs)

        ## 两个矩阵相加，大于0的为1，不大于0的为0，为1的在之后就会被fill到无限小
        dec_self_attn_mask = torch.gt((dec_self_attn_pad_mask + dec_self_attn_subsequent_mask), 0)

        ## 这个做的是交互注意力机制中的mask矩阵，enc的输入是k，我去看这个k里面哪些是pad符号，给到后面的模型；注意哦，我q肯定也是有pad符号，但是这里我不在意的，之前说了好多次了哈
        dec_enc_attn_mask = get_attn_pad_mask(dec_inputs, enc_inputs)

        dec_self_attns, dec_enc_attns = [], []
        for layer in self.layers:
            dec_outputs, dec_self_attn, dec_enc_attn = layer(dec_outputs, enc_outputs, dec_self_attn_mask, dec_enc_attn_mask)
            dec_self_attns.append(dec_self_attn)
            dec_enc_attns.append(dec_enc_attn)
        return dec_outputs, dec_self_attns, dec_enc_attns

## 1. 从整体网路结构来看，分为三个部分：编码层，解码层，输出层
class Transformer(nn.Module):
    def __init__(self):
        super(Transformer, self).__init__()
        self.encoder = Encoder()  ## 编码层
        self.decoder = Decoder()  ## 解码层
        self.projection = nn.Linear(d_model, tgt_vocab_size, bias=False) ## 输出层 d_model 是我们解码层每个token输出的维度大小，之后会做一个 tgt_vocab_size 大小的softmax
    def forward(self, enc_inputs, dec_inputs):
        ## 这里有两个数据进行输入，一个是enc_inputs 形状为[batch_size, src_len]，主要是作为编码段的输入，一个dec_inputs，形状为[batch_size, tgt_len]，主要是作为解码端的输入

        ## enc_inputs作为输入 形状为[batch_size, src_len]，输出由自己的函数内部指定，想要什么指定输出什么，可以是全部tokens的输出，可以是特定每一层的输出；也可以是中间某些参数的输出；
        ## enc_outputs就是主要的输出，enc_self_attns这里没记错的是QK转置相乘之后softmax之后的矩阵值，代表的是每个单词和其他单词相关性；
        enc_outputs, enc_self_attns = self.encoder(enc_inputs)

        ## dec_outputs 是decoder主要输出，用于后续的linear映射； dec_self_attns类比于enc_self_attns 是查看每个单词对decoder中输入的其余单词的相关性；dec_enc_attns是decoder中每个单词对encoder中每个单词的相关性；
        dec_outputs, dec_self_attns, dec_enc_attns = self.decoder(dec_inputs, enc_inputs, enc_outputs)

        ## dec_outputs做映射到词表大小
        dec_logits = self.projection(dec_outputs) # dec_logits : [batch_size x src_vocab_size x tgt_vocab_size]
        return dec_logits.view(-1, dec_logits.size(-1)), enc_self_attns, dec_self_attns, dec_enc_attns

if __name__ == '__main__':

    ## 句子的输入部分，
    sentences = ['ich mochte ein bier P', 'S i want a beer', 'i want a beer E']

    # Transformer Parameters
    # Padding Should be Zero
    ## 构建词表
    src_vocab = {'P': 0, 'ich': 1, 'mochte': 2, 'ein': 3, 'bier': 4}
    src_vocab_size = len(src_vocab)

    tgt_vocab = {'P': 0, 'i': 1, 'want': 2, 'a': 3, 'beer': 4, 'S': 5, 'E': 6}
    tgt_vocab_size = len(tgt_vocab)

    src_len = 5 # length of source
    tgt_len = 5 # length of target

    ## 模型参数
    d_model = 512  # Embedding Size
    d_ff = 2048  # FeedForward dimension
    d_k = d_v = 64  # dimension of K(=Q), V
    n_layers = 6  # number of Encoder of Decoder Layer
    n_heads = 8  # number of heads in Multi-Head Attention

    model = Transformer()

    criterion = nn.CrossEntropyLoss()
    optimizer = optim.Adam(model.parameters(), lr=0.001)

    enc_inputs, dec_inputs, target_batch = make_batch(sentences)

    for epoch in range(20):
        optimizer.zero_grad()
        outputs, enc_self_attns, dec_self_attns, dec_enc_attns = model(enc_inputs, dec_inputs)
        loss = criterion(outputs, target_batch.contiguous().view(-1))
        print('Epoch:', '%04d' % (epoch + 1), 'cost =', '{:.6f}'.format(loss))
        loss.backward()
        optimizer.step()