作者：绝密伏击
单位：奇虎360高级算法专家
进NLP群—>加入NLP交流群
旋转位置编码（Rotary Position Embedding，RoPE）是论文 Roformer: Enhanced Transformer With Rotray Position Embedding 提出的一种能够将相对位置信息依赖集成到 self-attention 中并提升 transformer 架构性能的位置编码方式。而目前很火的 LLaMA、GLM 模型也是采用该位置编码方式。
和相对位置编码相比，RoPE 具有更好的外推性，目前是大模型相对位置编码中应用最广的方式之一。
备注：什么是大模型外推性？
外推性是指大模型在训练时和预测时的输入长度不一致，导致模型的泛化能力下降的问题。例如，如果一个模型在训练时只使用了 512 个 token 的文本，那么在预测时如果输入超过 512 个 token，模型可能无法正确处理。这就限制了大模型在处理长文本或多轮对话等任务时的效果。
旋转编码RoPE
1.1 基本概念
在介绍 RoPE 之前，先给出一些符号定义，以及基本背景。
首先定义一个长度为 的输入序列为：
其中 表示输入序列中第 个 token，而输入序列 对应的 embedding 表示为：
其中 表示第 个 token 对应的 维词嵌入向量。
接着在做 self-attention 之前，会用词嵌入向量计算 向量同时加入位置信息，函数公式表达如下：
其中 表示第 个 token 对应的词向量 集成位置信息 之后的 query 向量。而 和 则表示第 个 token 对应的词向量 集成位置信息 之后的 key 和 value 向量。
而基于 transformer 的位置编码方法都是着重于构造一个合适的 函数形式。
而计算第 个词嵌入向量 对应的 self-attention 输出结果，就是 和其他 都计算一个 attention score ，然后再将 attention score 乘以对应的 再求和得到输出向量 ：
1.2 绝对位置编码
对于位置编码，常规的做法是在计算 query，key 和 value 向量之前，会计算一个位置编码向量 加到词嵌入 上，位置编码向量 同样也是 维向量，然后再乘以对应的变换矩阵 ：
而经典的位置编码向量 的计算方式是使用 Sinusoidal 函数：
其中 表示位置 维度向量 中的第 位置分量也就是偶数索引位置的计算公式，而 就对应第 位置分量也就是奇数索引位置的计算公式。
1.3 2维旋转位置编码
论文中提出为了能利用上 token 之间的相对位置信息，假定 query 向量 和 key 向量 之间的内积操作可以被一个函数 表示，该函数 的输入是词嵌入向量 ， 和它们之间的相对位置 ：
接下来的目标就是找到一个等价的位置编码方式，从而使得上述关系成立。
假定现在词嵌入向量的维度是两维 ，这样就可以利用上 2 维度平面上的向量的几何性质，然后论文中提出了一个满足上述关系的 和 的形式如下：
这里面 Re 表示复数的实部。
进一步地， 可以表示成下面的式子：
看到这里会发现，这不就是 query 向量乘以了一个旋转矩阵吗？这就是为什么叫做旋转位置编码的原因。
同理， 可以表示成下面的式子：
最终 可以表示如下：
关于上面公式（8）~（11）的具体推导，可以参见文章最后的附录，或者参考文章：一文看懂 LLaMA 中的旋转式位置编码（Rotary Position Embedding）。
1.4 扩展到多维
将2维推广到任意维度，可以表示如下：
内积满足线性叠加性，因此任意偶数维的 RoPE，我们都可以表示为二维情形的拼接，即
将 RoPE 应用到前面公式（4）的 Self-Attention 计算，可以得到包含相对位置信息的 Self-Attetion：
其中，。
值得指出的是，由于 是一个正交矩阵，它不会改变向量的模长，因此通常来说它不会改变原模型的稳定性。
1.5 RoPE 的高效计算
由于 的稀疏性，所以直接用矩阵乘法来实现会很浪费算力，推荐通过下述方式来实现 RoPE：
其中 是逐位对应相乘，即计算框架中的 运算。从这个实现也可以看到，RoPE 可以视为是乘性位置编码的变体。
总结来说，RoPE 的 self-attention 操作的流程是：对于 token 序列中的每个词嵌入向量，首先计算其对应的 query 和 key 向量，然后对每个 token 位置都计算对应的旋转位置编码，接着对每个 token 位置的 query 和 key 向量的元素按照两两一组应用旋转变换，最后再计算 query 和 key 之间的内积得到 self-attention 的计算结果。
论文中有个很直观的图片展示了旋转变换的过程：
1.6 远程衰减
可以看到，RoPE 形式上和前面公式（6）Sinusoidal 位置编码有点相似，只不过 Sinusoidal 位置编码是加性的，而 RoPE 可以视为乘性的。在 的选择上，RoPE 同样沿用了 Sinusoidal 位置编码的方案，即 ，它可以带来一定的远程衰减性。
具体证明如下：将 两两分组后，它们加上 RoPE 后的内积可以用复数乘法表示为：
记
并约定 ，那么由 Abel 变换（分部求和法）可以得到：
所以
因此我们可以考察 随着相对距离的变化情况来作为衰减性的体现：
从图中我们可以看到随着相对距离的变大，内积结果有衰减趋势的出现。因此，选择 ，确实能带来一定的远程衰减性。论文中还试过以 为初始化，将 视为可训练参数，然后训练一段时间后发现 并没有显著更新，因此干脆就直接固定 了。
RoPE实验
我们看一下 RoPE 在预训练阶段的实验效果：
从上面可以看出，增大序列长度，预训练的准确率反而有所提升，这体现了 RoPE 具有良好的外推能力。
下面是在下游任务上的实验结果：
其中 RoFormer 是一个绝对位置编码替换为 RoPE 的 WoBERT 模型，后面的参数（512）是微调时截断的maxlen，可以看到 RoPE 确实能较好地处理长文本语义。
RoPE代码实现
Meta 的 LLAMA 和 清华的 ChatGLM 都使用了 RoPE 编码，下面看一下具体实现。
3.1 在LLAMA中的实现
# 生成旋转矩阵
def precompute_freqs_cis(dim: int, seq_len: int, theta: float = 10000.0):
# 计算词向量元素两两分组之后，每组元素对应的旋转角度\theta_i
freqs = 1.0 / (theta ** (torch.arange(0, dim, 2)[: (dim // 2)].float() / dim))
# 生成 token 序列索引 t = [0, 1,..., seq_len-1]
t = torch.arange(seq_len, device=freqs.device)
# freqs.shape = [seq_len, dim // 2]
freqs = torch.outer(t, freqs).float() # 计算m * \theta
# 计算结果是个复数向量
# 假设 freqs = [x, y]
# 则 freqs_cis = [cos(x) + sin(x)i, cos(y) + sin(y)i]
freqs_cis = torch.polar(torch.ones_like(freqs), freqs)
return freqs_cis
# 旋转位置编码计算
def apply_rotary_emb(
xq: torch.Tensor,
xk: torch.Tensor,
freqs_cis: torch.Tensor,
) -> Tuple[torch.Tensor, torch.Tensor]:
# xq.shape = [batch_size, seq_len, dim]
# xq_.shape = [batch_size, seq_len, dim // 2, 2]
xq_ = xq.float().reshape(*xq.shape[:-1], -1, 2)
xk_ = xk.float().reshape(*xk.shape[:-1], -1, 2)
# 转为复数域
xq_ = torch.view_as_complex(xq_)
xk_ = torch.view_as_complex(xk_)
# 应用旋转操作，然后将结果转回实数域
# xq_out.shape = [batch_size, seq_len, dim]
xq_out = torch.view_as_real(xq_ * freqs_cis).flatten(2)
xk_out = torch.view_as_real(xk_ * freqs_cis).flatten(2)
return xq_out.type_as(xq), xk_out.type_as(xk)
class Attention(nn.Module):
def __init__(self, args: ModelArgs):
super().__init__()
self.wq = Linear(...)
self.wk = Linear(...)
self.wv = Linear(...)
self.freqs_cis = precompute_freqs_cis(dim, max_seq_len * 2)
def forward(self, x: torch.Tensor):
bsz, seqlen, _ = x.shape
xq, xk, xv = self.wq(x), self.wk(x), self.wv(x)
xq = xq.view(batch_size, seq_len, dim)
xk = xk.view(batch_size, seq_len, dim)
xv = xv.view(batch_size, seq_len, dim)
# attention 操作之前，应用旋转位置编码
xq, xk = apply_rotary_emb(xq, xk, freqs_cis=freqs_cis)
# scores.shape = (bs, seqlen, seqlen)
scores = torch.matmul(xq, xk.transpose(1, 2)) / math.sqrt(dim)
scores = F.softmax(scores.float(), dim=-1)
output = torch.matmul(scores, xv) # (batch_size, seq_len, dim)
# ......这里举一个例子，假设 batch_size=10, seq_len=3, d=8，则调用函数 precompute_freqs_cis(d, seq_len) 后，生成结果为：
In [239]: freqs_cis
Out[239]:
tensor([[ 1.0000+0.0000j, 1.0000+0.0000j, 1.0000+0.0000j, 1.0000+0.0000j],
[ 0.5403+0.8415j, 0.9950+0.0998j, 0.9999+0.0100j, 1.0000+0.0010j],
[-0.4161+0.9093j, 0.9801+0.1987j, 0.9998+0.0200j, 1.0000+0.0020j]])以结果中的第二行为例（对应的 m = 1），也就是：
最终按照公式（12）可以得到编码之后的 。
注意：在代码中是直接用 freqs_cis[0] * xq_[0] 的结果表示第一个 token 对应的旋转编码（和公式 12 计算方式有所区别）。其中将原始的 query 向量 转换为了复数形式。
In [351]: q_ = q.float().reshape(*q.shape[:-1], -1, 2)
In [352]: q_[0]
Out[352]:
tensor([[[ 1.0247, 0.4782],
[ 1.5593, 0.2119],
[ 0.4175, 0.5309],
[ 0.4858, 0.1850]],
[[-1.7456, 0.6849],
[ 0.3844, 1.1492],
[ 0.1700, 0.2106],
[ 0.5433, 0.2261]],
[[-1.1206, 0.6969],
[ 0.8371, -0.7765],
[-0.3076, 0.1704],
[-0.5999, -1.7029]]])
In [353]: xq = torch.view_as_complex(q_)
In [354]: xq[0]
Out[354]:
tensor([[ 1.0247+0.4782j, 1.5593+0.2119j, 0.4175+0.5309j, 0.4858+0.1850j],
[-1.7456+0.6849j, 0.3844+1.1492j, 0.1700+0.2106j, 0.5433+0.2261j],
[-1.1206+0.6969j, 0.8371-0.7765j, -0.3076+0.1704j, -0.5999-1.7029j]])这里为什么可以这样计算？
主要是利用了复数的乘法性质。
我们首先来复习一下复数乘法的性质：
因此要计算：
可以转化为计算：
所以可以将公式（12）转化为两个复数的乘法运算。
3.2 在ChatGLM中的实现
和 LLAMA 的实现方式相差不大。代码如下：
class RotaryEmbedding(torch.nn.Module):
def __init__(self, dim, base=10000, precision=torch.half, learnable=False):
super().__init__()
# 计算 \theta_i
inv_freq = 1. / (base ** (torch.arange(0, dim, 2).float() / dim))
inv_freq = inv_freq.half()
self.learnable = learnable
if learnable:
self.inv_freq = torch.nn.Parameter(inv_freq)
self.max_seq_len_cached = None
else:
self.register_buffer('inv_freq', inv_freq)
self.max_seq_len_cached = None
self.cos_cached = None
self.sin_cached = None
self.precision = precision
def forward(self, x, seq_dim=1, seq_len=None):
if seq_len is None:
seq_len = x.shape[seq_dim]
if self.max_seq_len_cached is None or (seq_len > self.max_seq_len_cached):
self.max_seq_len_cached = None if self.learnable else seq_len
# 生成 token 序列索引 t = [0, 1,..., seq_len-1]
t = torch.arange(seq_len, device=x.device, dtype=self.inv_freq.dtype)
# 对应m * \theta
freqs = torch.einsum('i,j->ij', t, self.inv_freq)
# 将 m * \theta 拼接两次，对应复数的实部和虚部
emb = torch.cat((freqs, freqs), dim=-1).to(x.device)
if self.precision == torch.bfloat16:
emb = emb.float()
# [sx, 1 (b * np), hn]
cos_cached = emb.cos()[:, None, :] # 计算得到cos(m*\theta)
sin_cached = emb.sin()[:, None, :] # 计算得到cos(m*\theta)
if self.precision == torch.bfloat16:
cos_cached = cos_cached.bfloat16()
sin_cached = sin_cached.bfloat16()
if self.learnable:
return cos_cached, sin_cached
self.cos_cached, self.sin_cached = cos_cached, sin_cached
return self.cos_cached[:seq_len, ...], self.sin_cached[:seq_len, ...]
def _apply(self, fn):
if self.cos_cached is not None:
self.cos_cached = fn(self.cos_cached)
if self.sin_cached is not None:
self.sin_cached = fn(self.sin_cached)
return super()._apply(fn)
def rotate_half(x):
x1, x2 = x[..., :x.shape[-1] // 2], x[..., x.shape[-1] // 2:]
return torch.cat((-x2, x1), dim=x1.ndim - 1)RoPE的外推性
我们都知道 RoPE 具有很好的外推性，前面的实验结果也证明了这一点。这里解释下具体原因。
RoPE 可以通过旋转矩阵来实现位置编码的外推，即可以通过旋转矩阵来生成超过预期训练长度的位置编码。这样可以提高模型的泛化能力和鲁棒性。
我们回顾一下 RoPE 的工作原理：假设我们有一个 维的绝对位置编码 ，其中 是位置索引。我们可以将 看成一个 维空间中的一个点。我们可以定义一个 维空间中的一个旋转矩阵 ，它可以将任意一个点沿着某个轴旋转一定的角度。我们可以用 来变换 ，得到一个新的点 。我们可以发现， 和 的距离是相等的，即 。这意味着 和 的相对关系没有改变。但是， 和 的距离可能发生改变，即 。这意味着 和 的相对关系有所改变。因此，我们可以用 来调整不同位置之间的相对关系。
如果我们想要生成超过预训练长度的位置编码，我们只需要用 来重复变换最后一个预训练位置编码 ，得到新的位置编码
依此类推。这样就可以得到任意长度的位置编码序列 ，其中 可以大于 。由于 是一个正交矩阵，它保证了 和 的距离不会无限增大或缩小，而是在一个有限范围内波动。这样就可以避免数值溢出或下溢的问题。同时，由于 是一个可逆矩阵，它保证了 和 的距离可以通过 的逆矩阵 还原到 和 的距离，即
这样就可以保证位置编码的可逆性和可解释性。
总结而言：
旋转编码 RoPE 可以有效地保持位置信息的相对关系，即相邻位置的编码之间有一定的相似性，而远离位置的编码之间有一定的差异性。这样可以增强模型对位置信息的感知和利用。这一点是其他绝对位置编码方式（如正弦位置编码、学习的位置编码等）所不具备的，因为它们只能表示绝对位置，而不能表示相对位置。
旋转编码 RoPE 可以通过旋转矩阵来实现位置编码的外推，即可以通过旋转矩阵来生成超过预训练长度的位置编码。这样可以提高模型的泛化能力和鲁棒性。这一点是其他固定位置编码方式（如正弦位置编码、固定相对位置编码等）所不具备的，因为它们只能表示预训练长度内的位置，而不能表示超过预训练长度的位置。
旋转编码 RoPE 可以与线性注意力机制兼容，即不需要额外的计算或参数来实现相对位置编码。这样可以降低模型的计算复杂度和内存消耗。这一点是其他混合位置编码方式（如 Transformer-XL、XLNet 等）所不具备的，因为它们需要额外的计算或参数来实现相对位置编码。
总结
最近一直听到旋转编码这个词，但是一直没有仔细看具体原理。今天花时间仔细看了一遍，确实理论写的比较完备，而且实验效果也不错。目前很多的大模型，都选择了使用了这种编码方式（LLAMA、GLM 等）。
附录
这里补充一下前面公式 1.3.2 节中，公式（8）~（11）是怎么推导出来的。
回到之前的公式（8），编码之后的 以及内积 的形式如下：
上面的公式为什么满足：
首先我们得先了解一下基本的复数相关知识。
首先看到上述 和 公式中有个指数函数：
这个其实是欧拉公式，其中 表示任意实数， 是自然对数的底数， 是复数中的虚数单位，则根据欧拉公式有：
则是上述指数函数可以表示为实部为 ，虚部为 的一个复数，欧拉公式建立了指数函数、三角函数和复数之间的桥梁。
则上述 和 公式的
然后我们看回公式：
其中 是个二维矩阵， 是个二维向量，相乘的结果也是一个二维向量，这里用 表示：
然后首先将 表示成复数形式：
接着
其实就是两个复数相乘：
然后就有：
将结果重新表达成实数向量形式就是：
这里不难发现就是 query 向量乘以了一个旋转矩阵。
这就是为什么叫做旋转式位置编码的原因。
同理可得 key 向量 ：
最后还有个函数 ：
其中 表示一个复数 的实部部分，而 则表示复数 的共轭。
复习一下共轭复数的定义：
所以可得：
继续可得：
接下来我们就要证明函数 的计算公式是成立的。
首先回顾一下 attention 操作，位置 的 query 和位置 的 key 会做一个内积操作：
接着进行推导，我们整理一下：
这就证明上述关系是成立的，位置 的 query 和位置 的 key 的内积就是函数 。
把上面的式子用矩阵向量乘的形式来表达就是：
参考文献
[1] ROFORMER: ENHANCED TRANSFORMER WITH ROTARY POSITION EMBEDDING https://arxiv.org/pdf/2104.09864.pdf
[2] 梁德澎：一文看懂 LLaMA 中的旋转式位置编码（Rotary Position Embedding）https://zhuanlan.zhihu.com/p/642884818
[3] 马梦之：一步一步，推导旋转位置编码（Rotary Position Embedding, RoPE）https://zhuanlan.zhihu.com/p/644585013
[4] Transformer升级之路：博采众长的旋转式位置编码
进NLP群—>加入NLP交流群
1342
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
