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$PE=\frac{pos}{T-1}$。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，$\vec{p_t} \in \mathbb{R}^d$表示位置$t$时刻这个词位置嵌入的向量，$\vec{p_t}$的定义如下

$$ \begin{align} \vec{p_t}^{(i)} = f(t)^{(i)} & := \begin{cases} \sin({\omega_k} . t), & \text{if}\ i = 2k \\ \cos({\omega_k} . t), & \text{if}\ i = 2k + 1 \end{cases} \end{align} $$

其中

$$ \omega_k = \frac{1}{10000^{2k / d}} $$

$k$​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$i\in [0, d)$，所以就有$k\in [0, \frac{d-1}{2})$

对于三角函数$y=Asin(Bx+C)+D$来说，周期是$\frac{2\pi}{B}$，频率为$\frac{B}{2\pi}$，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$\vec{p_t}$的定义中，$k$是越来越大的，因此$w_k$越来越小，所以$\frac{w_k}{2\pi}$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$2\pi$（$k=0$时），周期最大是$10000·2\pi$（假设$k=\frac{d}{2}$时）

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

$$ \vec{p_t} = \begin{bmatrix} \sin({\omega_0}.t)\\ \cos({\omega_0}.t)\\ \\ \sin({\omega_1}.t)\\ \cos({\omega_1}.t)\\ \\ \vdots\\ \\ \sin({\omega_{\frac{d}{2}-1}}.t)\\ \cos({\omega_{\frac{d}{2}-1}}.t) \end{bmatrix}_{d \times 1} $$

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？

0:    0  0  0  0		8:    1  0  0  0	1:    0  0  0  1		9:    1  0  0  1	2:    0  0  1  0		2:    1  0  1  0	3:    0  0  1  1		11:    1  0  1  1	4:    0  1  0  0		12:    1  1  0  0	5:    0  1  0  1		13:    1  1  0  1	6:    0  1  1  0		14:    1  1  1  0	7:    0  1  1  1		15:    1  1  1  1

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?