注意：本文大多采用义译，确保原文意思不变，但不保证用词和原作完全一致。:sunglasses:
使用正弦函数为模型添加位置信息
Transformer是只基于自注意力机制的序列到序列架构。因为并行计算能力以及高性能。使得它在NLP领域中大受欢迎。
现在常见的几个深度学习框架都实现了transformer，这让很多学生都能够方便使用到transformer。但是这也存在一个弊端，他会让我们忽略模型的一些细节。
在本文中我，不打算研究它的整体结构，毕竟现在已经有很多优秀的文章介绍其结构了。在本文中我仅对transformer结构的一部分进行探讨，就是位置编码。
当我阅读论文原文^[Attention Is All You Need]的时候，我的脑海里浮现出来一些问题，但是不幸的是，原文中没有提供足够的信息解答我的疑惑，所以在本文中，我想尝试将位置编码单拎出来，看看它是如何工作的。
注意：为了理解本文，请确保你在阅读本文之前已经熟悉了Transformer的基本架构。
什么是位置编码？为什么我们需要位置编码。
对任何语言来说，句子中词汇的顺序和位置都是非常重要的。它们定义了语法，从而定义了句子的实际语义。RNN结构本身就涵盖了单词的顺序，RNN按顺序逐字分析句子，这就直接在处理的时候整合了文本的顺序信息。
但Transformer架构抛弃了循环机制，仅采用多头自注意机制。避免了RNN较大的时间成本。并且从理论上讲，它可以捕捉句子中较长的依赖关系。
由于句子中的单词同时流经Transformer的编码器、解码器堆栈，模型本身对每个单词没有任何位置信息的。因此，仍然需要一种方法将单词的顺序整合到模型中。
想给模型一些位置信息，一个方案是在每个单词中添加一条关于其在句子中位置的信息。我们称之为“信息片段”，即位置编码。
第一个可能想到的想法是为每个时间步添加一个$[0,1]$范围内的数字，其中0表示第一个单词，1表示最后一个单词。 这会导致什么问题？ 问题之一是你无法计算出在特定范围内有多少个单词。换句话说，时间步长$δ$在不同的句子中含义不一致。
作者意思是句子长度不同时，会导致某段区间内词汇数量不一致。
另一个想法是为每个时间步按一定步长线性分配一个数字。 也就是说，第一个单词是“1”，第二个单词是“2”，依此类推。 这种方法的问题在于，随着句子变长，这些值可能会变得特别大，并且我们的模型可能会遇到比训练时更长的句子，此外，我们的模型可能会忽略某些长度的样本。这会损害模型的泛化。
理想情况下，应满足以下标准：
- 每个时间部都有唯一的编码。
- 在不同长度的句子中，两个时间步之间的距离应该一致。
- 模型不受句子长短的影响，并且编码范围是有界的。（不会随着句子加长数字就无限增大）
- 必须是确定性的。
提出的方法
作者提出的编码是一种简单但是很精妙的方法，满足上述所有标准。
首先，它不是单独某个数字，它是一个d维向量，其中包含句子中特定位置的信息。其次，这种编码并没有集成到模型本身中，该向量用于为每个单词提供有关其在句子中位置的信息。
也就是说，其修改了模型的输入，添加了单词的顺序信息。
令
- $t$ 是句子中某词汇的位置。
- $\overrightarrow{p_{t}} \in \mathbb{R}^{d}$ 是其encoding。
- $d$是encoding的维度(其中$d \equiv{ }_{2} 0$ )
$f: \mathbb{N} \rightarrow \mathbb{R}^{d}$ 是将位置转化成位置向量 $\overrightarrow{p_{t}}$ 的函数，其定义如下：
$$ {\overrightarrow{p_{t}}}^{(i)}=f(t)^{(i)}:= \begin{cases}\sin \left(\omega_{k} \cdot t\right), & \text { if } i=2 k \ \cos \left(\omega_{k} \cdot t\right), & \text { if } i=2 k+1\end{cases} $$
其中 $\omega_{k}=\frac{1}{10000^{2 k / d}}$
从函数定义可以推导出，频率沿向量维数递减。因此它在波长上形成了一个从$2 \pi$到$10000 · 2 \pi$的几何级数。
你也可以把$\overrightarrow{p_{t}}$ 想象成一个sin和cos交替的向量($d$可以被2整除 )： $$ \overrightarrow{p_{t}}=\left[\begin{array}{c} \sin \left(\omega_{1} \cdot t\right) \ \cos \left(\omega_{1} \cdot t\right) \ \sin \left(\omega_{2} \cdot t\right) \ \cos \left(\omega_{2} \cdot t\right) \ \vdots \ \sin \left(\omega_{d / 2} \cdot t\right) \ \cos \left(\omega_{d / 2} \cdot t\right) \end{array}\right]_{d \times 1} $$
The intuition
你可能想知道，正余弦组合怎么能代表一个位置/顺序？
其实很简单，假设你想用二进制格式表示一个数字：
你可以看到不同位置上的数字交替变化。最后一位数字每次都会0、1交替；倒数第二位置上两个交替一次，以此类推。
找规律，第$i$位置上$2^i$个数据交替一次。
但是在浮点数的世界中使用二进制值是对空间的浪费，所以我们可以用正弦函数代替。事实上，正弦函数也能表示出二进制那样的交替。此外随着正弦函数频率的降低，也可以达到上图红色位到橙色位交替频率的变化。
下图使用正弦函数编码，句子长度为50（纵坐标），编码向量维数128（横坐标）。可以看到交替频率从左到右逐渐减慢。
其他细节
前面我们只提到了位置编码是给句子中的单词添加位置信息的，但具体是怎么实现的呢？
在论文原文中是直接将词嵌入向量和位置编码进行相加，即对于句子$[w_1 \dots w_n]$中的每个词$w_t$， 最终的输入如下：
$$ \psi^{\prime}\left(w_{t}\right)=\psi\left(w_{t}\right)+\overrightarrow{p_{t}} $$
- $\overrightarrow{p_{t}}$ 位置编码
- $\psi\left(w_{t}\right)$ 词嵌入
为了实现，这个所以我们需要让位置编码的维数和词嵌入向量的维数相等。 $$ d_{\text {word embedding }}=d_{\text {postional embedding }} $$
相对位置
正弦位置编码的另一个特点是，可以让模型获取相对位置。以下是原文中的一段话:
We chose this function because we hypothesized it would allow the model to easily learn to attend by relative positions, since for any fixed offset $k$,$PE_{pos+k}$ can be represented as a linear function of $PE_{pos}$.
但为什么这一说法成立？为了充分理解原因，可以看一下这篇文章^[Linear Relationships in the Transformer’s Positional Encoding]（点右上角参考）。不看也可以，我在这里总结了一个简短一点的版本：
对于对应频率$\omega_{k}$的每个正余弦对，有一个线性变换$M \in \mathbb{R}^{2 \times 2}$ (独立于$t$ )，使下列等式成立： $$ M .\left[\begin{array}{l} \sin \left(\omega_{k} \cdot t\right) \ \cos \left(\omega_{k} \cdot t\right) \end{array}\right]=\left[\begin{array}{l} \sin \left(\omega_{k} \cdot(t+\phi)\right) \ \cos \left(\omega_{k} \cdot(t+\phi)\right) \end{array}\right] $$
证明：
令$M$ 是一个 $2 \times 2$的矩阵，我们想得到$u_{1}, v_{1}, u_{2}$ and $v_{2}$ 使下式成立： $$ \left[\begin{array}{ll} u_{1} & v_{1} \ u_{2} & v_{2} \end{array}\right] \cdot\left[\begin{array}{l} \sin \left(\omega_{k} \cdot t\right) \ \cos \left(\omega_{k} \cdot t\right) \end{array}\right]=\left[\begin{array}{l} \sin \left(\omega_{k} \cdot(t+\phi)\right) \ \cos \left(\omega_{k} \cdot(t+\phi)\right) \end{array}\right] $$
使用三角函数的定理，我们可以将等式右边展开如下：
$$ \left[\begin{array}{ll} u_{1} & v_{1} \ u_{2} & v_{2} \end{array}\right] \cdot\left[\begin{array}{l} \sin \left(\omega_{k} . t\right) \ \cos \left(\omega_{k} . t\right) \end{array}\right]=\left[\begin{array}{l} \sin \left(\omega_{k} . t\right) \cos \left(\omega_{k} . \phi\right)+\cos \left(\omega_{k} . t\right) \sin \left(\omega_{k} . \phi\right) \ \cos \left(\omega_{k} . t\right) \cos \left(\omega_{k} . \phi\right)-\sin \left(\omega_{k} . t\right) \sin \left(\omega_{k} . \phi\right) \end{array}\right] $$
普通的矩阵乘法运算将其拆开：
$$ \begin{aligned} &u_{1} \sin \left(\omega_{k} . t\right)+v_{1} \cos \left(\omega_{k} . t\right)=\cos \left(\omega_{k} . \phi\right) \sin \left(\omega_{k} . t\right)+\sin \left(\omega_{k} . \phi\right) \cos \left(\omega_{k} . t\right) \ &u_{2} \sin \left(\omega_{k} \cdot t\right)+v_{2} \cos \left(\omega_{k} . t\right)=-\sin \left(\omega_{k} . \phi\right) \sin \left(\omega_{k} . t\right)+\cos \left(\omega_{k} . \phi\right) \cos \left(\omega_{k} . t\right) \end{aligned} $$
通过求解上述方程我们可以得到：
$$ \begin{array}{ll} u_{1}=\cos \left(\omega_{k} \cdot \phi\right) & v_{1}=\sin \left(\omega_{k} \cdot \phi\right) \ u_{2}=-\sin \left(\omega_{k} \cdot \phi\right) & v_{2}=\cos \left(\omega_{k} \cdot \phi\right) \end{array} $$
所以最终的变换矩阵$M$ 是：
$$ M_{\phi, k}=\left[\begin{array}{cc} \cos \left(\omega_{k} \cdot \phi\right) & \sin \left(\omega_{k} \cdot \phi\right) \ -\sin \left(\omega_{k} \cdot \phi\right) & \cos \left(\omega_{k} \cdot \phi\right) \end{array}\right] $$
通过上述推到可以看到，最终的转换不依赖于$t$。注意，可以发现矩阵$M$与旋转矩阵非常相似。
旋转矩阵是一个数学概念，这里需要自己查一下相关资料。
类似地，我们可以为其他正余弦对找到$M$，最终我们可以将$\overrightarrow{p_{t+\phi}}$表示为任何固定偏移量$\phi$的$\overrightarrow{p_{t}}$的线性函数。这一特性使模型很容易学到相对位置信息。
正弦位置编码的另一个特性是相邻时间步之间的距离是对称的，并随时间衰减。
下图是所有时间步位置编码的点乘积可视化：
FAQ
为什么位置编码是和词嵌入相加而不是将二者拼接起来？
我找不到这个问题相关的理论依据。求和（与拼接相比）保存了模型的参数，现在我们将初始问题改为“在单词中添加位置嵌入有缺点吗?” 。这我会回答，不一定！
首先，如果我们回想一下上边的第一张可视化图，我们会发现位置编码向量的前几个维度用于存储关于位置的信息（注意，虽然我们的示例很小只有128维，但论文中的输入维度是512）。由于Transformer中的嵌入是从头开始训练的，所以设置参数的时候，可能不会把单词的语义存储在前几个维度中，这样就避开了位置编码。
作者意思是，虽然没有进行直接concat，但是进行了隐式concat。位置编码前半段比较有用，所以在编码嵌入向量的时候，将其语义信息往后放。
因此我认为最终的Transformer可以将单词的语义与其位置信息分开。此外，也没有理由支撑将二者分开拼接有什么好处。也许这样相加为模型提供比较好的特征。
更多相关信息可以看：
- Why add positional embedding instead of concatenate? #1591 ^[Why add positional embedding instead of concatenate? #1591]
- Discussion：Positional Encoding in Transformer^[ Discussion：Positional Encoding in Transformer]
位置信息层层传递之后不会消失吗？
Transformer里加了残差连接，所以模型输入的信息可以有效地传播到其它层。
为什么同时使用正弦和余弦？
个人认为，只有同时使用正弦和余弦，我们才能将$sine(x+k)$和$cosine(x+k)$表示为$sin(x)$和$cos(x)$的线性变换。好像不能只用正弦或者只用余弦就能达到这种效果。如果你能找到单个正余弦的线性变换，可以在评论区补充。
总结
感谢阅读，希望这篇文章能对你有用。如果有问题欢迎批评指正。 引用格式：
@article{kazemnejad2019:pencoding,
title = "Transformer Architecture: The Positional Encoding",
author = "Kazemnejad, Amirhossein",
journal = "kazemnejad.com",
year = "2019",
url = "https://kazemnejad.com/blog/transformer_architecture_positional_encoding/"
}
原文信息
原文链接：Transformer Architecture: The Positional Encoding
作者信息：
