Transformer 中的 Positional Encoding
最近我在学习 Transformer 结构的时候，发现其中的 positional encoding 很不好理解，尤其是其中的公式，为什么要这样设计，后来上网收集各种资料，方才理解，遂于此写一篇文章进行记录
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 PE=posT−1。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 为一句话中的某个字的位置，pt→∈Rd 表示位置 t 时刻这个词位置嵌入的向量，pt→ 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 i∈[0,d)，因此就有 k∈[0,d−12]
对于三角函数 y=Asin(Bx+C)+D 来说，周期是 2πB，频率为 B2π，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（如果这里的数学知识忘了，可以看这篇文章）
回到 pt→ 的定义中，k 是越来越大的，因此 wk 越来越小，所以 wk2π 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 2π（k=0 时），周期最大是 ・10000・2π（假设 k=d2 时）
你可以想象下 t 时刻字的位置编码 pt→ 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
参考文献
- Transformer Architecture: The Positional Encoding
- 如何理解 Transformer 论文中的 Positional Encoding，和三角函数有什么关系
- What is the positional encoding in the transformer model?
- 原文链接：https://wmathor.com/index.php/archives/1453/
