nn.TransformerEncoderLayer中的src_mask，src_key_padding

这篇具有很好参考价值的文章主要介绍了nn.TransformerEncoderLayer中的src_mask，src_key_padding_mask解析。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

注意，不同版本的pytorch，对nn.TransformerEncdoerLayer部分代码差别很大，比如1.8.0版本中没有batch_first参数，而1.10.1版本中就增加了这个参数，笔者这里使用pytorch1.10.1版本实验。

attention mask

要搞清楚src_mask和src_key_padding_mask的区别，关键在于搞清楚在self-attention中attention mask的作用是啥。
$\ score = softmax({QK^{T} \over \sqrt d_{k} })V$
上式中，并没有体现出pad的token，认为所有token都是有用的，但是实际写代码时使用batch进行训练，所以要将所有token序列pad到相同的长度。
attention mask的作用就是，在计算注意力分数的时候，告诉模型，哪些token是pad的，不应该分配注意力分数。

针对一条长度为 $L$ 的token序列，其attention mask的矩阵应该是 $L * L$ ，下图是一个attention mask，蓝色的表示不是pad的token，灰色的表示pad的token。

nn.TransformerEncoderLayer中的src_mask，src_key_padding_mask解析
但是针对attention mask中蓝色位置和灰色位置中的值，目前有两种做法：

在huggingface的transformers中实现是，将蓝色位置填1 ，灰色位置填0，也就是1表示真实序列，不需要被mask，而0表示pad序列，需要被mask。但是为了用户操作，huggingface并没有要求用户输入一个 $B * L * L$ 的mask矩阵，而是输入 $B * L$ 的矩阵即可，然后在forward函数中使用get_extended_attention_mask方法将其扩展为 $B * L * L$ 的mask矩阵。
在pytorch的transformers中的实现是，蓝色的位置填0，灰色的位置填float(“-inf”),但是在实现时，又分为了src_mask和src_key_padding_mask，而最终的attention mask矩阵，是通过这个两个矩阵得到的。
其中：

src_mask: 必须是2D或者3D的矩阵，形状为 $[L, S]$ 或者 $B*num\_heads, L, S]$ ， $L$ 是目标序列长度， $S$ 是源序列长度（只有涉及到机器翻译这种encoder-decoder框架目标序列和源序列才有意义，如果只是用transformer encoder做编码，则 $L = S$ ）， $B$ 是batch size， $num\ head$ 表示头数。另外src_mask的取值有三种，

可以是binary mask，True的位置表示需要被mask，
可以是byte mask，非零的位置表示需要被mask，
可以float mask，这时float(“-inf”)的位置需要被mask。

src_key_padding_mask：是一个2D的矩阵，形状为 $[B, S]$ ，取值有两种，

可以是binary mask，True的位置表示key矩阵需要被mask，
可以是byte mask，非零的位置表示key矩阵需要被mask，

这里的key矩阵应该也是为了涵盖encoder-decoder这样的情况，对于只用transformer encoder的情况，src_key_padding_mask则更像是huggingface 中的attention mask。

其实在pytorch官方代码中，是通过src_mask和src_key_padding_mask二者综合得到最终的attention_mask。对于绝大多数情况，我们只需要使用src_key_padding_mask即可。文章来源地址https://www.toymoban.com/news/detail-444488.html

到了这里，关于nn.TransformerEncoderLayer中的src_mask，src_key_padding_mask解析的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！