论文阅读笔记AI篇 —— Transformer模型理论+实战 (四)

本文介绍: 如果说钢铁侠中的(贾维斯)是一个AGI通用人工智能的话，那么现阶段的AI Agent只是做到了感知任务、规划任务、执行任务。下面这张图的这个过程，看上去和强化学习是一模一样的。Agent结构图——参考视频[1]参考文章或视频链接[1]【动画科普AI Agent：大模型之后为何要卷它？[2]【【卢菁老师说】Agent就是一场彻头彻尾的AI泡沫】- bilibili[3]《读懂AI Agent：基于大模型的人工智能代理》[4]

论文阅读笔记AI篇 —— Transformer模型理论+实战（四）

一、理论
- 1.1 理论研读
- 1.2 什么是AI Agent?
二、实战

一、理论

1.1 理论研读

参考文章或视频链接
[1] 《论文阅读笔记AI篇 —— Transformer模型理论+实战 (一)》- CSDN
[2] 《论文阅读笔记AI篇 —— Transformer模型理论+实战 (二)》- CSDN
[3] 《论文阅读笔记AI篇 —— Transformer模型理论+实战 (三)》- CSDN

1.2 什么是AI Agent?

如果说钢铁侠中的J.A.R.V.I.S.(贾维斯)是一个AGI通用人工智能的话，那么现阶段的AI Agent只是做到了感知任务、规划任务、执行任务。下面这张图的这个过程，看上去和强化学习是一模一样的。

Agent结构图——参考视频[1]

参考文章或视频链接
[1]【动画科普AI Agent：大模型之后为何要卷它？】- bilibili
[2]【【卢菁老师说】Agent就是一场彻头彻尾的AI泡沫】- bilibili
[3] 《读懂AI Agent：基于大模型的人工智能代理》
[4] LLM之Agent（一）：使用GPT-4开启AutoGPT Agent自动化任务完整指南

二、实战

2.1 先导知识

2.1.1 tensor的创建与使用

对于一维的tensor，它是没有形状而言的，你不能准确的称它为行向量row vector或列向量col vector，只有你明确的指定之后，它才有准确的形状。
但是，在数学中肯定是要有明确的意义的，要么n*1，要么1*n，总得有个说法，说法就是，认为是列向量n*1，见参考文章[2]。

import torch
import torch.nn as nn

def test1_tensor():
    x = torch.tensor([1, 1, 1, 1])
    print("Before reshape:", x.shape)
    # x = x.reshape(4, 1)
    x = x.view(4, 1)  # 与reshape一样
    print(x)
    print("After reshape(4,1):", x.shape)
    # x = x.reshape(1, 4)
    x = x.view(1, 4)  # 与reshape一样
    print(x)
    print("After reshape(1,4):", x.shape)


if __name__ == '__main__':
    test1_tensor()

"""Console Output
Before reshape: torch.Size([4])

tensor([[1],
        [1],
        [1],
        [1]])
After reshape(4,1): torch.Size([4, 1])

tensor([[1, 1, 1, 1]])
After reshape(1,4): torch.Size([1, 4])
"""

参考文章或视频链接
[1] Introduction to PyTorch Tensors – PyTorch
[2] Is there any reason for using the word “column” in the context of one-dimensional tensor?

2.1.2 PyTorch的模块

2.1.2.1 torch.nn.Module类的继承与使用

强调一点，你自己实现的所有模块，应该都是继承了nn.Module这个Class的（这也是PyTorch官方文档所强调的），不要觉得可以去掉nn.Module的继承，继承了这个类，才会有一些便捷的方法可供调用，否则你都要自己实现一遍。

class Encoder(nn.Module): # (1)Encoder继承了nn.Module
    def __init__(self):
		# ...
    def forward(self, enc_inputs): # 你不需要显示调用该方法，因为在nn.Module.__call__里，已经默认实现了对该方法的调用
		# ...

class Decoder(nn.Module): # (2)Decoder继承了nn.Module
    def __init__(self):
		# ...
    def forward(self, dec_inputs, enc_inputs, enc_outputs): # 你不需要显示调用该方法，因为在nn.Module.__call__里，已经默认实现了对该方法的调用
		# ...

参考文章或视频链接
[1] Module — PyTorch 2.1 documentation
[2] Learning Day 22: What is nn.Module in Pytorch
[3] Why do we need to inherit from nn.Module in PyTorch? – stackoverflow

2.1.2.2 torch.nn.Linear类

关于Linear层有一点问题，就是它的权重矩阵，nn.Linear(4,3)中的4表示输入特征的维度，3表示输出特征的维度，按理来说是一个4 * 3的矩阵才对，但是输出结果偏不，这是因为常规的线性运算是写成这样的（假设维度已知），

∗

out = W_{3*4}in_{4*1} + b_{3*1}

$o u t = W_{3 * 4} i n_{4 * 1} + b_{3 * 1}$ ，但网络层以从左至右的视角看去，

$in$ 在

$W$ 矩阵的左边，写成这样的形式

(

∗

)

∗

(

∗

)

∗

out = (in_{1*4}W_{3*4}^T)^T + b_{3*1} = (in_{1*4}W_{4*3})^T + b_{3*1}

$o u t = (i n_{1 * 4} W_{3 * 4}^{T})^{T} + b_{3 * 1} = (i n_{1 * 4} W_{4 * 3})^{T} + b_{3 * 1}$ 就很自然的模拟了这个视角，这样就能解释为什么输出的shape是反过来的。

在这里插入图片描述

请看参考文章[1]。

import torch
import torch.nn as nn

def test2_Linear_weight():
    linear_layer = nn.Linear(4,3)
    print(linear_layer.shape)  # torch.Size([3, 4])
if __name__ == '__main__':
    test2_Linear_weight()

参考文章或视频链接
[1] Why does PyTorch’s Linear layer store the weight in shape (out, in) and transpose it in the forward pass? – stackoverflow

2.2 Transformer代码实现

请看参考文章[1]与[4]，我认为写的足够详细，也足够易懂，有些torch.transpose()的操作不太好从字面上读懂，就debug看看，无非就是高维矩阵的转置，和二维矩阵的转置也没本质区别。

参考文章或视频链接
本文代码来源：[1] 《Transformer 代码详解(Pytorch版)》- CSDN
[2] 【Transformer代码实现】- bilibili
重点观看此视频：[3] [重置版]从零实现transfomer模型 \|\| 理解ChatGPT基石 \|\| pytorch- bilibili
这篇写的也不错，可以重点阅读：[4] 《Transformer原理与代码实现》- CSDN