pytorch实现transformer

下面是一个简单的PyTorch实现Transformer的代码：

import torch
import torch.nn as nn
import torch.nn.functional as F

class PositionalEncoding(nn.Module):
    def __init__(self, d_model, dropout=0.1, max_len=5000):
        super(PositionalEncoding, self).__init__()
        self.dropout = nn.Dropout(p=dropout)

        pe = torch.zeros(max_len, d_model)
        position = torch.arange(0, max_len, dtype=torch.float32).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)
        pe[:, 1::2] = torch.cos(position * div_term)
        pe = pe.unsqueeze(0).transpose(0, 1)
        self.register_buffer('pe', pe)

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

class Transformer(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim, num_layers, num_heads, dropout):
        super(Transformer, self).__init__()

        self.embedding = nn.Linear(input_dim, hidden_dim)
        self.pos_encoder = PositionalEncoding(hidden_dim, dropout)
        self.dropout = nn.Dropout(p=dropout)

        encoder_layer = nn.TransformerEncoderLayer(hidden_dim, num_heads, hidden_dim, dropout)
        self.transformer_encoder = nn.TransformerEncoder(encoder_layer, num_layers)

        self.decoder = nn.Linear(hidden_dim, output_dim)

        self.init_weights()

    def init_weights(self):
        initrange = 0.1
        self.embedding.weight.data.uniform_(-initrange, initrange)
        self.decoder.bias.data.zero_()
        self.decoder.weight.data.uniform_(-initrange, initrange)

    def forward(self, src):
        src = self.embedding(src) * math.sqrt(self.hidden_dim)
        src = self.pos_encoder(src)
        output = self.transformer_encoder(src)
        output = self.decoder(output)
        return output

其中，`PositionalEncoding`是用于将输入序列映射到一定维度的位置编码层，`Transformer`是模型本身的实现。`Transformer`的输入包含了一个`input_dim`维度的输入序列，一个`hidden_dim`维度的隐藏层，一个输出维度为`output_dim`的输出序列，一个由`num_layers`个`encoder_layer`组成的编码器和一个由一个全连接层组成的解码器。

在`Transformer`的`__init__`函数中，我们首先定义了一个输入序列到隐藏层的线性变换层，然后将隐藏层输入到位置编码层中。接着，我们定义了一个由`num_layers`个`encoder_layer`组成的编码器，并初始化权重。最后，我们定义了一个全连接层作为解码器，并再次初始化权重。

在`Transformer`的`forward`函数中，我们首先将输入序列通过线性变换映射到隐藏层，并将其乘以一个与隐藏层维度有关的因子。然后，我们将其输入到位置编码层中，并将输出传递给编码器。最后，我们将编码器的输出传递给解码器，并返回解码器的输出。

这是一个简单的Transformer实现，可以用于各种NLP任务，如机器翻译、文本分类和语言建模等。