输入“/”快速插入内容

Task3：Transformer建模SMILES进行反应产率预测

2024年7月17日创建

2902

3921

💡

教程贡献者说：

在Task2，我们使用RNN建模SMILES，且发现了RNN在处理这类问题的局限性。因此，本节我们学习Transformer这种更加强大和高效的序列建模算法。​

今天我们的任务是学习和了解Transformer并使用Transformer建模SMILES。​

你可以从中学会Transformer相关知识，学会用代码实践Transformer建模序列数据。​

学些代码和动手实践仍然是我们的重要环节，所以，请一定要认真完成这一部分。而且，我们已经学习了很强的建模方法了，大家尽可以动手调试代码，拿下更好成绩。​

引导思考

Task2中，我们学习了RNN，认识了RNN的缺点，所以RNN的缺点有哪些？你还记得吗？​

接下来，我们就跟着本节内容，看看Transformer是如何解决这些缺陷的。​

正文内容 —— Transformer

transformer诞生的由来

循环神经网络的序列到序列建模方法，在建模文本长程依赖方面都存在一定的局限性。​

循环神经网络：由于所有的前文信息都蕴含在一个隐向量里面，这会导致随着序列长度的增加，编码在隐藏状态中的序列早期的上下文信息被逐渐遗忘。​

卷积神经网络：受限的上下文窗口在建模长文本方面天然地存在不足。如果需要关注长文本，就需要多层的卷积操作。​

图1 循环神经网络中，每个词都会依赖上一个词

优势

完全通过注意力机制完成对序列的全局依赖的建模。并且，这是一种可以高并行的结构，大大增加了计算效率。​

基本架构示意图

1.
嵌入层 (embedding layer)​

将token转化为向量表示。模型认识的只是向量，所以需要将每个切分好的token转化为向量。​

这个过程中，与RNN不同的是，我们在Transformer的嵌入层，会在词嵌入中加入位置编码（Positional Encoding）。​

（为什么需要位置编码？

 —— 在本节后面的讲解中，我们会学习到：transformer使用的多头注意力计算方式，无法获取到序列中各个字符的位置信息，因此需要认为地添加位置信息。）​

位置编码通常使用不同频率的正余弦函数：

Task3：Transformer建模SMILES进行反应产率预测​