大连高端网站建设,百度网址大全旧版安装,延庆手机网站建设,外贸seo网站建站Positional Encoding 位置编码
flyfish
Transformer模型没有使用循环神经网络#xff0c;无法从序列中学习到位置信息#xff0c;并且它是并行结构#xff0c;不是按位置来处理序列的#xff0c;所以为输入序列加入了位置编码#xff0c;将每个词的位置加入到了词向量中…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。 PE ( p o s , 2 i ) sin ( p o s / 1000 0 2 i / d model ) PE ( p o s , 2 i 1 ) cos ( p o s / 1000 0 2 i / d model ) {\Large \begin{aligned} \text{PE}(pos, 2i) \sin(pos/10000^{2i/d_\text{model}}) \\ \text{PE}(pos, 2i1) \cos(pos/10000^{2i/d_\text{model}}) \\ \end{aligned} } PE(pos,2i)sin(pos/100002i/dmodel)PE(pos,2i1)cos(pos/100002i/dmodel)
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 2i1 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:rsentence[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
rget_sin_enc_table(src_len1, 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 PE ( pos , 0 ) sin ( pos 1000 0 0 512 ) PE ( pos , 1 ) cos ( pos 1000 0 0 512 ) PE ( pos , 2 ) sin ( pos 1000 0 2 512 ) PE ( pos , 3 ) cos ( pos 1000 0 2 512 ) PE ( pos , 4 ) sin ( pos 1000 0 4 512 ) PE ( pos , 5 ) cos ( pos 1000 0 4 512 ) ⋮ PE ( pos , 510 ) sin ( pos 1000 0 510 512 ) PE ( pos , 511 ) cos ( pos 1000 0 510 512 ) \begin{aligned} \text{PE}(\text{pos}, 0) \sin\left( \dfrac{\text{pos}}{10000^{\frac{0}{512}}} \right) \\ \text{PE}(\text{pos}, 1) \cos\left( \dfrac{\text{pos}}{10000^{\frac{0}{512}}} \right) \\ \text{PE}(\text{pos}, 2) \sin\left( \dfrac{\text{pos}}{10000^{\frac{2}{512}}} \right) \\ \text{PE}(\text{pos}, 3) \cos\left( \dfrac{\text{pos}}{10000^{\frac{2}{512}}} \right) \\ \text{PE}(\text{pos}, 4) \sin\left( \dfrac{\text{pos}}{10000^{\frac{4}{512}}} \right) \\ \text{PE}(\text{pos}, 5) \cos\left( \dfrac{\text{pos}}{10000^{\frac{4}{512}}} \right) \\ \vdots \\ \text{PE}(\text{pos}, 510) \sin\left( \dfrac{\text{pos}}{10000^{\frac{510}{512}}} \right) \\ \text{PE}(\text{pos}, 511) \cos\left( \dfrac{\text{pos}}{10000^{\frac{510}{512}}} \right) \\ \end{aligned} PE(pos,0)PE(pos,1)PE(pos,2)PE(pos,3)PE(pos,4)PE(pos,5)⋮PE(pos,510)PE(pos,511)sin(100005120pos)cos(100005120pos)sin(100005122pos)cos(100005122pos)sin(100005124pos)cos(100005124pos)sin(10000512510pos)cos(10000512510pos)
