深度学习入门--Transformer中的Positional Encoding详解

😁大家好，我是CuddleSabe，目前大四在读，深圳准入职算法工程师，研究主要方向为多模态（VQA、ImageCaptioning等），欢迎各位佬来讨论！
🍭我最近在有序地计划整理CV入门实战系列及NLP入门实战系列。在这两个专栏中，我将会带领大家一步步进行经典网络算法的实现，欢迎各位读者（da lao）订阅🍀

Transformer中的Positional Encoding详解

为什么要有Postional Encoding

因为Self-Attention相对于传统的RNN在输入计算时没有输入先后顺序，而是采用并行化的思想来加快运算，这样Self-Attention在前一个token结果还没有出来的时候便可以同时处理下一个token。但是这样在并行化提升运算速度的同时也会带来一个问题，那便是丧失了序列的顺序性。因此为了不损失顺序性，在将序列输入之前还需要结合位置编码(Positional Encoding)。

Encoding的选择

这里我们先考虑最简单的一种Encoding方式:用token的序号来进行编码。
即：北京欢迎您，我爱它。
$P{E}_i=i$
那么这种最简单的Encoding结果为（不考虑标点符号）:

token	Encoded
‘北’	0
‘京’	1
‘欢’	2
‘迎’	3
‘您’	4
‘我’	5
‘爱’	6
‘它’	7

可以看到，这种编码方式的最明显缺点是：
对于特长序列，编码长度会不可控。

那么再看一种编码方式
$P{E}_i=\frac{i}{len}$
那么这样编码结果为(不考虑标点符号)：

token	Encoded
‘北’	0 .000
‘京’	0.125
‘欢’	0.250
‘迎’	0.375
‘您’	0.500
‘我’	0.625
‘爱’	0.750
‘它’	0.875
这样编码结果限制为0到1，
但同时也会带来一个新的问题，那就是编码结果的尺度随着不同序列长度变化也在变化。
例如，10个单词和100个单词的句子经过编码后，相邻单词的位置编码差距不是同一个数量级，这种尺度不统一的话，便无法进行训练。

因此，一种良好的位置编码方式需要达到以下两点：
1.位置编码长度不会随着序列长度而变化，而是限制在一定范围
2.位置序列的变化尺度需要统一

数学基础好的同学可能已经猜到了，满足这两条的便是———三角函数！

公式如下，如果想要详细解释可查看这篇文章：
地址：Positional Encoding详细解释

公式：
$P{E}_{pos,2i}=sin(pos/10000^{2i/d})$
$P{E}_{pos,2i+1}=cos(pos/10000^{2i/d})$
这里d为Embedding时的d_model参数，也是Embedding时一个单词的特征数，详细请看我的另一篇文章：
PyTorch文字处理及Embedding

Postional Encoding公式推导变换

我们已知公式如下，那么我们如果使用PyTorch实现呢？
$P{E}_{pos,2i}=sin(pos/10000^{2i/d})$
$P{E}_{pos,2i+1}=cos(pos/10000^{2i/d})$
这里我们需要将公式进行变换
我们设
$T_{2i}=1/10000^{2i/d}$和 $T_{2i+1}=1/10000^{2i/d}$
那么进一步，两边取对数
$lnT=-\frac{2i}{d}ln10000$
进而
$T=e^{-\frac{2i}{d}ln10000}$
至于这里为什么不直接使用初始公式进行计算而是推导到现在，
个人理解是因为可以避免10000的幂作为分母而带来的计算机的计算误差。

实现代码

class PositionalEncoding(nn.Module):
    "实现PE功能"
    def __init__(self, d_model, dropout, max_len=5000):
        super(PositionalEncoding, self).__init__()
        self.dropout = nn.Dropout(p=dropout)
         
        pe = torch.zeros(max_len, d_model)
        position = torch.arange(0., max_len).unsqueeze(1)
        div_term = torch.exp(torch.arange(0., d_model, 2) *
                             -(math.log(10000.0) / d_model))
         
        pe[:, 0::2] = torch.sin(position * div_term)    # 偶数列
        pe[:, 1::2] = torch.cos(position * div_term)    # 奇数列
        pe = pe.unsqueeze(0)           # [1, max_len, d_model]
        self.register_buffer('pe', pe)
         
    def forward(self, x):
        x = x + Variable(self.pe[:, :x.size(1)], requires_grad=False)   # 这里是Embedding与Positional Encoding相结合
        return self.dropout(x)

编码可视化

将pe画出，得到以下图像