如何使用具有多维序列的PyTorch变压器进行验证？

Question

我正在尝试使用变压器模型。我的输入和输出是相同的形状（torch.Size([499, 128])，其中499是序列长度，128是特征数

我的输入看起来像：

我的输出如下所示：

我的训练循环是：

    for batch in tqdm(dataset):
        optimizer.zero_grad()
        x, y = batch

        x = x.to(DEVICE)
        y = y.to(DEVICE)

        pred = model(x, torch.zeros(x.size()).to(DEVICE))

        loss = loss_fn(pred, y)
        loss.backward()
        optimizer.step()

我的模型是：

import math
from typing import final
import torch
import torch.nn as nn

class Reconstructor(nn.Module):
    def __init__(self, input_dim, output_dim, dim_embedding, num_layers=4, nhead=8, dim_feedforward=2048, dropout=0.5):
        super(Reconstructor, self).__init__()

        self.model_type = 'Transformer'
        self.src_mask = None
        self.pos_encoder = PositionalEncoding(d_model=dim_embedding, dropout=dropout)
        self.transformer = nn.Transformer(d_model=dim_embedding, nhead=nhead, dim_feedforward=dim_feedforward, num_encoder_layers=num_layers, num_decoder_layers=num_layers)
        self.decoder = nn.Linear(dim_embedding, output_dim)
        self.decoder_act_fn = nn.PReLU()

        self.init_weights()

    def init_weights(self):
        initrange = 0.1
        nn.init.zeros_(self.decoder.weight)
        nn.init.uniform_(self.decoder.weight, -initrange, initrange)

    def forward(self, src, tgt):

        pe_src = self.pos_encoder(src.permute(1, 0, 2))  # (seq, batch, features)
        transformer_output = self.transformer_encoder(pe_src)
        decoder_output = self.decoder(transformer_output.permute(1, 0, 2)).squeeze(2)
        decoder_output = self.decoder_act_fn(decoder_output)
        return decoder_output

我的输出具有torch.Size([32, 499, 128])的形状，其中32是批处理，499是我的序列长度，128是特征数。但输出具有相同的值：

tensor([[[0.0014, 0.0016, 0.0017,  ..., 0.0018, 0.0021, 0.0017],
         [0.0014, 0.0016, 0.0017,  ..., 0.0018, 0.0021, 0.0017],
         [0.0014, 0.0016, 0.0017,  ..., 0.0018, 0.0021, 0.0017],
         ...,
         [0.0014, 0.0016, 0.0017,  ..., 0.0018, 0.0021, 0.0017],
         [0.0014, 0.0016, 0.0017,  ..., 0.0018, 0.0021, 0.0017],
         [0.0014, 0.0016, 0.0017,  ..., 0.0018, 0.0021, 0.0017]]],
       grad_fn=<PreluBackward>)

我做错了什么？非常感谢你的帮助

Answer 1

有几点需要检查。由于对不同的输入有相同的输出，我怀疑某些层会将所有输入归零。因此，检查位置编码的输出以及变压器的编码器块，以确保它们不是恒定的。但在此之前，请确保您的输入不同（例如，尝试注入噪声）

此外，从我在图片中看到的情况来看，您的输入和输出是语音信号，采样频率为22.05kHz（我猜），因此它应该具有~10k的特性，但您声称您只有128个。这是另一个检查的地方。现在，数字499代表某个时间段。确保你的切片在合理的范围内（20-50毫秒，通常是30毫秒）。如果是这样的话，那么30ms乘以500等于15秒，这在您的示例中要多得多。最后，你在输入中屏蔽了三分之一秒的语音，我认为这太多了

我认为检查Wav2vec和Wav2vec 2.0论文是有用的，它们成功地解决了语音识别领域中使用Transformer编码器进行自我监督训练的问题