import torch
import torch.nn as nn
import math
# 定义位置编码类
class PositionalEncoding(nn.Module):
def __init__(self, d_model, dropout=0.1, max_len=10):
super(PositionalEncoding, self).__init__()
self.dropout = nn.Dropout(p=dropout) # 初始化dropout层
pe = torch.zeros(max_len, d_model) # 创建一个全零的位置编码矩阵
position = torch.arange(0, max_len).unsqueeze(1) # 生成位置索引并增加一个维度
# 计算频率缩放因子
div_term = torch.exp(torch.arange(0, d_model, 2) * -(math.log(10000.0) / d_model))
# 使用正弦和余弦函数填充位置矩阵的偶数和奇数列
pe[:, 0::2] = torch.sin(position * div_term)
pe[:, 1::2] = torch.cos(position * div_term)
# 增加一个维度并调整维度以匹配batch size
pe = pe.unsqueeze(0).transpose(0, 1)
# 注册位置编码矩阵为模型的一个buffer
self.register_buffer('pe', pe)
def forward(self, x):
# 将位置编码添加到输入的词嵌入中
x = x + self.pe[:x.size(0), :]
# 应用dropout并返回结果
return self.dropout(x)
# 设置较小的维度和句子长度
d_model = 6 # 词嵌入维度较小
max_len = 10 # 最长句子长度为10
dropout = 0.1 # dropout概率
# 创建位置编码模块实例
pe = PositionalEncoding(d_model, dropout, max_len)
# 创建一个示例词嵌入矩阵,假设有5个词,每个词的嵌入维度为6
embeddings = torch.randn(5, d_model)
# 应用位置编码
embeddings_with_pe = pe(embeddings)
# 打印原始词嵌入矩阵
print("Original Embeddings:")
print(embeddings)
# 打印位置编码矩阵
print("\nPositional Encoding Values:")
print(pe.pe.squeeze(0))
# 打印添加了位置编码后的词嵌入矩阵
print("\nEmbeddings with Positional Encoding:")
print(embeddings_with_pe)
可能是错的