Lehrplan Lektion 151 von 246 · Modul 13: Attention und Transformers
Modul 13: Attention und Transformers

Ein Transformer-Block, von Hand

Warum das wichtig ist Ein GPT ist derselbe gestapelte Block. Schreibe einen mit einfachem NumPy, führe ihn mit den echten Gewichten des aufgezeichneten Modells aus, und wenn deine Zahlen mit denen des Modells übereinstimmen, verstehst du jede Zeile eines Transformers.

Sieh es dir an

Spiele die Animation ab. Ein Block nimmt h (t Positionen mal d) und tut zwei Dinge, die jeweils wieder zu h hinzugefügt werden (der residual Pfad von Modul 6):

h = h + Wo-mixed multi-head causal attention of layer_norm(h)
h = h + feed-forward of layer_norm(h)        # relu(x @ W1) @ W2, W1 widens d to 4d

Die Namen des aufgezeichneten Modells: qkv{l} hält Wq, Wk und Wv nebeneinander (d mal 3d), o{l} ist Wo, g1{l}, b1{l} und g2{l}, b2{l} sind die zwei layer norms, w1{l}, w2{l} das feed-forward. Head h nutzt Spalten h mal 16 bis (h + 1) mal 16 von jedem von Q, K und V.

Wörter und Symbole in dieser Lektion
attention
softmax der query-key scores, verwendet um die Werte zu mitteln
head
one von H schmaleren Aufmerksamkeiten laufen nebeneinander, jede mit ihrem eigenen Muster
layer norm
normalisiere jeden Vektor einzeln: Mittelwert 0, Streuung 1, dann mal g plus b
transformer block
h + attention(norm(h)), dann h + feed-forward(norm(h))
Du bist dran

Schreibe block(h, l) für eine Sequenz (h ist t mal d). Das vollständige Modell ist für dich zusammengestellt; seine logits müssen model.logits.

entsprechen.

Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion

Diese Übung öffnet bald

Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.