这个位置编码到底是怎么计算的呢?
我们假设一个机器翻译的场景,这些都是输入句子。
english_text = [this is good, this is bad]
german_text = [das ist gut, das ist schlecht]
现在我们的输入词汇大小为4,嵌入维度为4。
#words #embeddings
this - [0.5, 0.2, 0.3, 0.1]
is - [0.1, 0.2, 0.5, 0.1]
good - [0.9, 0.7, 0.9, 0.1]
bad - [0.7, 0.3, 0.4, 0.1]
根据变换器文件,我们添加了 各字位编码 与 词缀 然后将其传递给编码器,如下图所示。
所以,我认为可以这样实现。
d_model = 4 # Embedding dimension
positional_embeddings = np.zeros((max_sentence_length, d_model))
max_sentence_length = 3 # as per my examples above
for position in range(maximum_sentence_length):
for i in range(0, d_model, 2):
positional_embeddings[position, i] = (
sin(position / (10000 ** ( (2*i) / d_model) ) )
)
positional_embeddings[position, i + 1] = (
cos(position / (10000 ** ( (2 * (i + 1) ) / d_model) ) )
)
那么,新的嵌入向量将是
[[0.5, 0.2, 0.3, 0.1],
[0.1, 0.2, 0.5, 0.1],
[0.9, 0.7, 0.9, 0.1]] + positional_embeddings = NEW EMBEDDINGS
## shapes
3 x 4 + 3 x 4 = 3 x 4
在实现中是这样计算的吗?如果我上面的伪实现有什么错误,请纠正我。
如果一切正确,那么 我有三个疑问 希望有人能清除他们。
1) 从上面的实现来看,我们对偶数位置使用sin公式,对奇数位置使用cos公式,但我不明白这背后的原因?我看到说是利用了循环的特性,但是不明白。
2) 选择 10000/(2i/d)
或 10000/(2i+1/d)
作为公式中的缩放因子。
3)所有的句子都不会等于最大句子长度,所以我们可能要对句子进行填充,那么我们是否也要计算填充标记的位置编码。
你的实现基本正确。典型的实现是预先计算嵌入矩阵,做一个不可训练的嵌入层,然后做一个范围的嵌入查找。例如参见 HuggingFace的变形金刚.
关于方程背后的直觉的一些提示在这些线程中。
但在我看来,几乎所有关于位置编码的决定都是经验性的选择。
所谓循环特性,他们IMHO指的是给定一个嵌入的维度,无论在序列中的哪个位置,具有恒定偏移量的位置之间的嵌入值的差异是相同的。对于这一点,只使用正弦或余弦可能就够了,但有些位置的法线会比其他位置大得多,因此它们交替使用正弦和余弦。
我认为缩放系数是根据经验估计的,可以覆盖通常的句子长度。
对于填充,你确实还要考虑填充位置的位置编码,但由于它们是预先计算的,这确实意味着更高的计算负荷,因为你无论如何都要得到填充符号的嵌入。