tranformer-1.py

import torch
import torch.nn as nn
import math

# --- 1. Positional Encoding ---
# Transformer tidak memiliki pemahaman inheren tentang urutan token (seperti RNN).
# Positional Encoding menambahkan informasi posisi ke dalam embedding input.
# Ini menggunakan fungsi sinus dan kosinus dengan frekuensi yang berbeda.
class PositionalEncoding(nn.Module):
    def __init__(self, d_model, max_len=5000):
        """
        Args:
            d_model (int): Dimensi embedding, harus sama dengan dimensi model.
            max_len (int): Panjang sekuens maksimum yang mungkin.
        """
        super(PositionalEncoding, self).__init__()

        # Buat matriks 'pe' (positional encoding) dengan ukuran (max_len, d_model)
        pe = torch.zeros(max_len, d_model)

        # Buat tensor 'position' yang berisi posisi [0, 1, 2, ..., max_len-1]
        position = torch.arange(0, max_len, dtype=torch.float).unsqueeze(1)

        # Hitung pembagi untuk frekuensi sin/cos
        # Ini adalah implementasi dari rumus dalam paper "Attention Is All You Need"
        div_term = torch.exp(torch.arange(0, d_model, 2).float() * (-math.log(10000.0) / d_model))

        # Terapkan fungsi sin ke kolom genap
        pe[:, 0::2] = torch.sin(position * div_term)
        # Terapkan fungsi cos ke kolom ganjil
        pe[:, 1::2] = torch.cos(position * div_term)

        # Tambahkan dimensi batch di awal, menjadi (1, max_len, d_model)
        pe = pe.unsqueeze(0)

        # Daftarkan 'pe' sebagai buffer. Buffer adalah state dari modul
        # yang bukan merupakan parameter (tidak di-train), tetapi harus disimpan.
        self.register_buffer('pe', pe)

    def forward(self, x):
        """
        Args:
            x (torch.Tensor): Tensor input embedding dengan shape (batch_size, seq_len, d_model)
        Returns:
            torch.Tensor: Tensor dengan informasi posisi yang ditambahkan, shape sama.
        """
        # Tambahkan positional encoding ke tensor input x.
        # x.size(1) adalah panjang sekuens aktual dari input.
        x = x + self.pe[:, :x.size(1), :]
        return x

# --- 2. Multi-Head Attention ---
# Mekanisme ini memungkinkan model untuk bersama-sama memperhatikan informasi
# dari posisi yang berbeda dalam sekuens. "Multi-head" berarti kita melakukannya
# beberapa kali secara paralel, masing-masing "head" fokus pada aspek yang berbeda.
class MultiHeadAttention(nn.Module):
    def __init__(self, d_model, num_heads):
        """
        Args:
            d_model (int): Dimensi model.
            num_heads (int): Jumlah "attention heads".
        """
        super(MultiHeadAttention, self).__init__()
        assert d_model % num_heads == 0, "d_model harus bisa dibagi dengan num_heads"

        self.d_model = d_model
        self.num_heads = num_heads
        self.d_k = d_model // num_heads  # Dimensi per head

        # Lapisan linear untuk Query, Key, Value, dan output
        self.W_q = nn.Linear(d_model, d_model)
        self.W_k = nn.Linear(d_model, d_model)
        self.W_v = nn.Linear(d_model, d_model)
        self.W_o = nn.Linear(d_model, d_model)

    def scaled_dot_product_attention(self, Q, K, V, mask=None):
        """
        Ini adalah inti dari mekanisme attention.
        Rumus: Attention(Q, K, V) = softmax( (Q * K^T) / sqrt(d_k) ) * V
        """
        # 1. Hitung skor attention (dot product antara Q dan K)
        attn_scores = torch.matmul(Q, K.transpose(-2, -1)) / math.sqrt(self.d_k)

        # 2. Terapkan mask (jika ada)
        # Mask digunakan di decoder untuk mencegah model "melihat" token masa depan.
        if mask is not None:
            attn_scores = attn_scores.masked_fill(mask == 0, -1e9)

        # 3. Terapkan softmax untuk mendapatkan bobot attention
        attn_probs = torch.softmax(attn_scores, dim=-1)

        # 4. Kalikan bobot dengan V untuk mendapatkan output
        output = torch.matmul(attn_probs, V)
        return output

    def split_heads(self, x):
        """
        Memecah tensor input menjadi beberapa head.
        Input: (batch_size, seq_len, d_model)
        Output: (batch_size, num_heads, seq_len, d_k)
        """
        batch_size, seq_len, _ = x.size()
        return x.view(batch_size, seq_len, self.num_heads, self.d_k).transpose(1, 2)

    def combine_heads(self, x):
        """
        Menggabungkan kembali hasil dari semua head.
        Input: (batch_size, num_heads, seq_len, d_k)
        Output: (batch_size, seq_len, d_model)
        """
        batch_size, _, seq_len, _ = x.size()
        return x.transpose(1, 2).contiguous().view(batch_size, seq_len, self.d_model)

    def forward(self, Q, K, V, mask=None):
        # 1. Proyeksikan Q, K, V menggunakan lapisan linear
        Q = self.W_q(Q)
        K = self.W_k(K)
        V = self.W_v(V)

        # 2. Pecah menjadi beberapa head
        Q = self.split_heads(Q)
        K = self.split_heads(K)
        V = self.split_heads(V)

        # 3. Lakukan scaled dot-product attention
        attn_output = self.scaled_dot_product_attention(Q, K, V, mask)

        # 4. Gabungkan kembali head-head tersebut
        output = self.combine_heads(attn_output)

        # 5. Lewatkan melalui lapisan linear output akhir
        output = self.W_o(output)
        return output

# --- 3. Position-wise Feed-Forward Network ---
# Ini adalah jaringan neural network sederhana yang diterapkan pada setiap posisi
# secara terpisah dan identik setelah attention.
class PositionwiseFeedForward(nn.Module):
    def __init__(self, d_model, d_ff):
        """
        Args:
            d_model (int): Dimensi model.
            d_ff (int): Dimensi lapisan tersembunyi (feed-forward).
        """
        super(PositionwiseFeedForward, self).__init__()
        self.fc1 = nn.Linear(d_model, d_ff)
        self.fc2 = nn.Linear(d_ff, d_model)
        self.relu = nn.ReLU()

    def forward(self, x):
        return self.fc2(self.relu(self.fc1(x)))

# --- 4. Encoder Layer ---
# Satu lapisan Encoder terdiri dari Multi-Head Attention dan Feed-Forward Network.
# Terdapat juga koneksi residual (Add) dan normalisasi lapisan (Norm).
class EncoderLayer(nn.Module):
    def __init__(self, d_model, num_heads, d_ff, dropout):
        super(EncoderLayer, self).__init__()
        self.self_attn = MultiHeadAttention(d_model, num_heads)
        self.feed_forward = PositionwiseFeedForward(d_model, d_ff)
        self.norm1 = nn.LayerNorm(d_model)
        self.norm2 = nn.LayerNorm(d_model)
        self.dropout = nn.Dropout(dropout)

    def forward(self, x, mask):
        # Sub-layer 1: Multi-Head Attention
        attn_output = self.self_attn(x, x, x, mask)
        # Add & Norm
        x = self.norm1(x + self.dropout(attn_output))

        # Sub-layer 2: Feed-Forward
        ff_output = self.feed_forward(x)
        # Add & Norm
        x = self.norm2(x + self.dropout(ff_output))
        return x

# --- 5. Decoder Layer ---
# Mirip dengan Encoder, tetapi memiliki dua sub-layer attention:
# 1. Masked Multi-Head Attention: Untuk memperhatikan token sebelumnya di output.
# 2. Encoder-Decoder Attention: Untuk memperhatikan output dari Encoder.
class DecoderLayer(nn.Module):
    def __init__(self, d_model, num_heads, d_ff, dropout):
        super(DecoderLayer, self).__init__()
        self.self_attn = MultiHeadAttention(d_model, num_heads)
        self.cross_attn = MultiHeadAttention(d_model, num_heads)
        self.feed_forward = PositionwiseFeedForward(d_model, d_ff)
        self.norm1 = nn.LayerNorm(d_model)
        self.norm2 = nn.LayerNorm(d_model)
        self.norm3 = nn.LayerNorm(d_model)
        self.dropout = nn.Dropout(dropout)

    def forward(self, x, enc_output, src_mask, tgt_mask):
        # Sub-layer 1: Masked Multi-Head Attention (Self-Attention)
        attn_output = self.self_attn(x, x, x, tgt_mask)
        # Add & Norm
        x = self.norm1(x + self.dropout(attn_output))

        # Sub-layer 2: Encoder-Decoder Attention (Cross-Attention)
        # Q dari decoder, K dan V dari output encoder
        attn_output = self.cross_attn(x, enc_output, enc_output, src_mask)
        # Add & Norm
        x = self.norm2(x + self.dropout(attn_output))

        # Sub-layer 3: Feed-Forward
        ff_output = self.feed_forward(x)
        # Add & Norm
        x = self.norm3(x + self.dropout(ff_output))
        return x

# --- 6. Transformer Model ---
# Menggabungkan semua komponen menjadi arsitektur Encoder-Decoder.
class Transformer(nn.Module):
    def __init__(self, src_vocab_size, tgt_vocab_size, d_model, num_heads, num_layers, d_ff, max_len, dropout):
        super(Transformer, self).__init__()

        # Lapisan Embedding dan Positional Encoding
        self.encoder_embedding = nn.Embedding(src_vocab_size, d_model)
        self.decoder_embedding = nn.Embedding(tgt_vocab_size, d_model)
        self.positional_encoding = PositionalEncoding(d_model, max_len)

        # Tumpukan Encoder dan Decoder Layers
        self.encoder_layers = nn.ModuleList([EncoderLayer(d_model, num_heads, d_ff, dropout) for _ in range(num_layers)])
        self.decoder_layers = nn.ModuleList([DecoderLayer(d_model, num_heads, d_ff, dropout) for _ in range(num_layers)])

        # Lapisan Linear akhir dan Softmax untuk prediksi kata berikutnya
        self.fc_out = nn.Linear(d_model, tgt_vocab_size)
        self.dropout = nn.Dropout(dropout)

    def generate_mask(self, src, tgt):
        # src_mask: Untuk padding pada input encoder. Shape: (batch, 1, 1, src_len)
        src_mask = (src != 0).unsqueeze(1).unsqueeze(2)

        # tgt_mask: Untuk padding dan mencegah atensi ke token masa depan pada decoder.
        tgt_pad_mask = (tgt != 0).unsqueeze(1).unsqueeze(3)
        seq_len = tgt.size(1)
        # Buat matriks segitiga bawah
        tgt_sub_mask = torch.tril(torch.ones((seq_len, seq_len), device=src.device)).bool()
        tgt_mask = tgt_pad_mask & tgt_sub_mask # Gabungkan keduanya
        return src_mask, tgt_mask

    def forward(self, src, tgt):
        src_mask, tgt_mask = self.generate_mask(src, tgt)

        # Proses Encoder
        # 1. Embedding + Positional Encoding
        src_embedded = self.dropout(self.positional_encoding(self.encoder_embedding(src)))
        # 2. Lewatkan ke setiap layer encoder
        enc_output = src_embedded
        for layer in self.encoder_layers:
            enc_output = layer(enc_output, src_mask)

        # Proses Decoder
        # 1. Embedding + Positional Encoding
        tgt_embedded = self.dropout(self.positional_encoding(self.decoder_embedding(tgt)))
        # 2. Lewatkan ke setiap layer decoder
        dec_output = tgt_embedded
        for layer in self.decoder_layers:
            dec_output = layer(dec_output, enc_output, src_mask, tgt_mask)

        # 3. Lapisan output
        output = self.fc_out(dec_output)
        return output

# --- Contoh Penggunaan ---
if __name__ == '__main__':
    # Parameter model (dibuat kecil untuk tujuan belajar)
    src_vocab_size = 5000  # Ukuran kosakata bahasa sumber
    tgt_vocab_size = 5000  # Ukuran kosakata bahasa target
    d_model = 128          # Dimensi model (harus genap)
    num_heads = 4          # Jumlah attention heads
    num_layers = 3         # Jumlah tumpukan Encoder/Decoder
    d_ff = 512             # Dimensi hidden layer di Feed Forward
    max_len = 100          # Panjang sekuens maksimum
    dropout = 0.1

    # Inisialisasi model
    model = Transformer(src_vocab_size, tgt_vocab_size, d_model, num_heads, num_layers, d_ff, max_len, dropout)
    print(f"Model Transformer berhasil dibuat dengan {sum(p.numel() for p in model.parameters() if p.requires_grad):,} parameter.")

    # Buat data input dummy
    # Anggap '0' adalah token untuk padding
    src_data = torch.randint(1, src_vocab_size, (64, max_len)) # (batch_size, seq_len)
    tgt_data = torch.randint(1, tgt_vocab_size, (64, max_len))

    # Jalankan model (forward pass)
    try:
        output = model(src_data, tgt_data)
        print("\nForward pass berhasil!")
        print(f"Bentuk input sumber (src): {src_data.shape}")
        print(f"Bentuk input target (tgt): {tgt_data.shape}")
        print(f"Bentuk output model: {output.shape}")
        # Bentuk output: (batch_size, seq_len, tgt_vocab_size)
        # Ini adalah probabilitas (logits) untuk setiap kata dalam kosakata target
    except Exception as e:
        print(f"\nTerjadi error saat forward pass: {e}")