Función PyTorch torch.nn.TransformerEncoder
Manual de referencia de PyTorch torch.nn
torch.nn.TransformerEncoderEs el módulo codificador Transformer en PyTorch.
Se compone de múltiples TransformerEncoderLayer y se utiliza para procesar secuencias de entrada.
Definición de la función
torch.nn.TransformerEncoder(encoder_layer, num_layers, norm=None)
Parámetros
encoder_layer: capa del codificadornum_layers: número de capas
Ejemplo de uso
Ejemplo 1: Uso básico
Ejemplo
import torch
import torch.nn as nn
# Capa de codificador única
encoder_layer = nn.TransformerEncoderLayer(d_model=512, nhead=8, batch_first=True)
# Codificador completo
transformer_encoder = nn.TransformerEncoder(encoder_layer, num_layers=6)
# Entrada
x = torch.randn(32, 100, 512) # batch, seq, d_model
output = transformer_encoder(x)
print("Forma de entrada:", x.shape)
print("Forma de salida:", output.shape)
import torch.nn as nn
# Capa de codificador única
encoder_layer = nn.TransformerEncoderLayer(d_model=512, nhead=8, batch_first=True)
# Codificador completo
transformer_encoder = nn.TransformerEncoder(encoder_layer, num_layers=6)
# Entrada
x = torch.randn(32, 100, 512) # batch, seq, d_model
output = transformer_encoder(x)
print("Forma de entrada:", x.shape)
print("Forma de salida:", output.shape)
Ejemplo 2: Clasificación de texto
Ejemplo
import torch
import torch.nn as nn
class TransformerClassifier(nn.Module):
def __init__(self, vocab_size, d_model=256, nhead=4, num_layers=4):
super(TransformerClassifier, self).__init__()
self.embedding = nn.Embedding(vocab_size, d_model)
self.pos_encoder = nn.Parameter(torch.randn(1, 512, d_model) * 0.1)
encoder_layer = nn.TransformerEncoderLayer(d_model, nhead, batch_first=True)
self.encoder = nn.TransformerEncoder(encoder_layer, num_layers)
self.fc = nn.Linear(d_model, 10)
def forward(self, x):
# Codificación posicional simple
x = self.embedding(x) + self.pos_encoder[:, :x.size(1), :]
x = self.encoder(x)
# Tomar el primer token
return self.fc(x[:, 0, :])
model = TransformerClassifier(10000)
x = torch.randint(0, 10000, (32, 100))
output = model(x)
print("Forma de salida:", output.shape)
import torch.nn as nn
class TransformerClassifier(nn.Module):
def __init__(self, vocab_size, d_model=256, nhead=4, num_layers=4):
super(TransformerClassifier, self).__init__()
self.embedding = nn.Embedding(vocab_size, d_model)
self.pos_encoder = nn.Parameter(torch.randn(1, 512, d_model) * 0.1)
encoder_layer = nn.TransformerEncoderLayer(d_model, nhead, batch_first=True)
self.encoder = nn.TransformerEncoder(encoder_layer, num_layers)
self.fc = nn.Linear(d_model, 10)
def forward(self, x):
# Codificación posicional simple
x = self.embedding(x) + self.pos_encoder[:, :x.size(1), :]
x = self.encoder(x)
# Tomar el primer token
return self.fc(x[:, 0, :])
model = TransformerClassifier(10000)
x = torch.randint(0, 10000, (32, 100))
output = model(x)
print("Forma de salida:", output.shape)
Escenarios de uso
- BERT: Base del codificador
- Clasificación de texto
- Extracción de características
Otras extensiones