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。
a
t
t
e
t
n
i
o
n
s
c
o
r
e
=
s
o
f
t
m
a
x
(
Q
K
T
d
k
)
V
attetnion \ score = softmax({QK^{T} \over \sqrt d_{k} })V
attetnion score=softmax(d
kQKT)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
L
L的token序列，其attention mask的矩阵应该是
L
∗
L
L*L
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。
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
B*L*L
B∗L∗L的mask矩阵，而是输入
B
∗
L
B*L
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
B*L*L
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
]
[L,S]
[L,S]或者
[
B
∗
n
u
m
_
h
e
a
d
s
,
L
,
S
]
[B*num\_heads, L, S]
[B∗num_heads,L,S]，
L
L
L是目标序列长度，
S
S
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
L=S
L=S），
B
B
B是batch size，
n
u
m
h
e
a
d
num\ head
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
]
[B, S]
[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。
发表评论