transformer代码

以下是一个简单的Transformer模型的代码示例：

import torch
import torch.nn as nn
import torch.optim as optim

class TransformerModel(nn.Module):
    def __init__(self, input_size, output_size, hidden_size, num_layers, num_heads, dropout):
        super(TransformerModel, self).__init__()

        self.embedding = nn.Embedding(input_size, hidden_size)
        self.pos_enc = PositionalEncoding(hidden_size, dropout)
        self.transformer = nn.Transformer(d_model=hidden_size, nhead=num_heads, num_encoder_layers=num_layers,
                                           num_decoder_layers=num_layers, dim_feedforward=hidden_size, dropout=dropout)
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, src, trg):
        src_emb = self.pos_enc(self.embedding(src))
        trg_emb = self.pos_enc(self.embedding(trg))
        output = self.transformer(src_emb, trg_emb)
        output = self.fc(output)
        return output.squeeze(1)

class PositionalEncoding(nn.Module):
    def __init__(self, d_model, dropout, 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.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)
        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)

这里定义了一个Transformer模型，包含一个嵌入层、一个位置编码层、一个Transformer层和一个全连接层。其中，嵌入层将输入的序列嵌入到一个隐藏空间中，位置编码层为每个位置添加一个固定的向量表示，Transformer层对嵌入和位置编码后的序列进行处理，全连接层将Transformer的输出映射到输出空间中。在forward函数中，通过调用嵌入层、位置编码层、Transformer层和全连接层来完成模型的前向传播过程。

需要注意的是，这里的位置编码层使用了一个类似正弦函数的公式来生成每个位置的向量表示，而嵌入层和全连接层的输入和输出都是二维张量，因此需要在最后调用squeeze(1)来去除多余的维度。