Positional Encoding 位置编码

Positional Encoding 位置编码

flyfish

Transformer模型没有使用循环神经网络，无法从序列中学习到位置信息，并且它是并行结构，不是按位置来处理序列的，所以为输入序列加入了位置编码，将每个词的位置加入到了词向量中。
如果采用自然数列作为位置编码，编码就是线性的，相邻位置之间的差异就在整个序列中保持恒定。如果采用正弦余弦函数生成的位置嵌入变量具有周期性和正交性，就可以产生各个尺度上具有区分性的位置嵌入，这样在捕捉长距离依赖关系时会表现的更好一点。
$$\begin{array}{r}\text{PE}(pos,2i)=\sin (pos/10000^{2i/d_{\text{model}}})\\ \text{PE}(pos,2i+1)=\cos (pos/10000^{2i/d_{\text{model}}})\end{array}$$

from collections import Counter
import torch
import torch.nn as nn 
import numpy as np# 生成正弦位置编码表的函数，用于在 Transformer 中引入位置信息
def get_sin_enc_table(n_position, embedding_dim):#------------------------- 维度信息 --------------------------------# n_position: 输入序列的最大长度# embedding_dim: 词嵌入向量的维度#-----------------------------------------------------------------    # 根据位置和维度信息，初始化正弦位置编码表sinusoid_table = np.zeros((n_position, embedding_dim))    # 遍历所有位置和维度，计算角度值for pos_i in range(n_position):for hid_j in range(embedding_dim):angle = pos_i / np.power(10000, 2 * (hid_j // 2) / embedding_dim)sinusoid_table[pos_i, hid_j] = angle    # 计算正弦和余弦值sinusoid_table[:, 0::2] = np.sin(sinusoid_table[:, 0::2])  # dim 2i 偶数维sinusoid_table[:, 1::2] = np.cos(sinusoid_table[:, 1::2])  # dim 2i+1 奇数维    #------------------------- 维度信息 --------------------------------# sinusoid_table 的维度是 [n_position, embedding_dim]#----------------------------------------------------------------   return torch.FloatTensor(sinusoid_table)  # 返回正弦位置编码表
sentences = [['like tree like fruit','羊毛 出在 羊身上'],['East west home is best', '金窝 银窝 不如 自己的 草窝'],]  for sentence in sentences:r=sentence[0].split()print(r)# 计算源语言的最大句子长度，并加 1 以容纳填充符<pad>
src_len = max(len(sentence[0].split()) for sentence in sentences) + 1
print(src_len)
d_embedding = 3  # Embedding 的维度
r=get_sin_enc_table(src_len+1, d_embedding)
print(r)

结果

['like', 'tree', 'like', 'fruit']
['East', 'west', 'home', 'is', 'best']
6
tensor([[ 0.0000,  1.0000,  0.0000],[ 0.8415,  0.5403,  0.0022],[ 0.9093, -0.4161,  0.0043],[ 0.1411, -0.9900,  0.0065],[-0.7568, -0.6536,  0.0086],[-0.9589,  0.2837,  0.0108],[-0.2794,  0.9602,  0.0129]])

j假如 Embedding 的维度d_embedding = 512，这样就有了256对正弦值和余弦值
$$\begin{array}{rl}\text{PE}(\text{pos},0)& =\sin \left(\frac{\text{pos}}{10000^{\frac{0}{512}}}\right)\\ \text{PE}(\text{pos},1)& =\cos \left(\frac{\text{pos}}{10000^{\frac{0}{512}}}\right)\\ \text{PE}(\text{pos},2)& =\sin \left(\frac{\text{pos}}{10000^{\frac{2}{512}}}\right)\\ \text{PE}(\text{pos},3)& =\cos \left(\frac{\text{pos}}{10000^{\frac{2}{512}}}\right)\\ \text{PE}(\text{pos},4)& =\sin \left(\frac{\text{pos}}{10000^{\frac{4}{512}}}\right)\\ \text{PE}(\text{pos},5)& =\cos \left(\frac{\text{pos}}{10000^{\frac{4}{512}}}\right)\\ ⋮& \\ \text{PE}(\text{pos},510)& =\sin \left(\frac{\text{pos}}{10000^{\frac{510}{512}}}\right)\\ \text{PE}(\text{pos},511)& =\cos \left(\frac{\text{pos}}{10000^{\frac{510}{512}}}\right)\end{array}$$