Transformer中的Positional Encoding

参考资料：https://wmathor.com/index.php/archives/1453/

首先你需要知道，Transformer 是以字作为输入，将字进行 字嵌入之后，再与 位置嵌入进行 相加（不是拼接，就是单纯的对应位置上的数值进行加和）

需要使用位置嵌入的原因也很简单，因为 Transformer 摈弃了 RNN 的结构，因此需要一个东西来标记各个字之间的时序 or 位置关系，而这个东西，就是位置嵌入

• One possible solution to give the model some sense of order is to add a piece of information to each word about its position in the sentence. We call this “piece of information”, the positional encoding.

如果让我们从 0 开始设计一个 Positional Encoding，比较容易想到的第一个方法是取 [0,1] 之间的数分配给每个字，其中 0 给第一个字，1 给最后一个字，具体公式就是 . 这样做的问题在于，假设在较短文本中任意两个字位置编码的差为 0.0333，同时在某一个较长文本中也有两个字的位置编码的差是 0.0333。假设较短文本总共 30 个字，那么较短文本中的这两个字其实是相邻的；假设较长文本总共 90 个字，那么较长文本中这两个字中间实际上隔了两个字。这显然是不合适的，因为相同的差值，在不同的句子中却不是同一个含义

 

另一个想法是线性的给每个时间步分配一个数字，也就是说，第一个单词被赋予 1，第二个单词被赋予 2，依此类推。这种方式也有很大的问题：1. 它比一般的字嵌入的数值要大，难免会抢了字嵌入的「风头」，对模型可能有一定的干扰；2. 最后一个字比第一个字大太多，和字嵌入合并后难免会出现特征在数值上的倾斜

 

理想的设计

理想情况下，位置嵌入的设计应该满足以下条件：

• 它应该为每个字输出唯一的编码
• 不同长度的句子之间，任何两个字之间的差值应该保持一致
• 它的值应该是有界的

作者设计的位置嵌入满足以上的要求。首先，它不是一个数字，而是一个包含句子中特定位置信息的d维向量。其次，这种嵌入方式没有集成到模型中，相反，这个向量是用来给句子中的每个字提供位置信息的，换句话说，我们通过注入每个字位置信息的方式，增强了模型的输入（ 其实说白了就是将位置嵌入和字嵌入相加，然后作为输入）

 

设t为一句话中某个字的位置， 表示位置t时刻这个词位置嵌入的向量， 的定义如下

其中

k指的是位置嵌入中维度的下标，为了使得位置嵌入和字嵌入能够相加，因此位置嵌入维度和字嵌入的维度必须相同

所以 ,所以就有

 

对于三角函数 来说，周期是 ,因此 B 越大，频率值越大，一个周期内函数图像重复次数越多，波长越短.

回到 的定义中，k是越来越大的，因此wk越来越小，所以 也越来越小，于是频率随着向量维度下标的递增而递减，频率递减 = 周期变长。我们计算一下周期最小是 (k=0时)，周期最大是1000* （k=d/2时)

 

你可以想象下t时刻字的位置编码 是一个包含 sin 和 cos 函数的向量（假设d可以被 2 整除）

 

直观展示

你可能想知道 sin 和 cos 的组合是如何表示位置信息的？这其实很简单，假设你想用二进制表示一个数字，你会怎么做？

用二进制表示一个数字太浪费空间了，因此我们可以使用与之对应的连续函数 —— 正弦函数