词嵌入位置编码的实现（基于pytorch）

背景介绍

在transformers架构当中，对于词向量的输入需要加上原本词对应的位置信息，作为输入到模型中训练的input，那具体的位置编码如何实现呢？本篇博客就跟大家一起分享一下对应的步骤

位置编码的公式

对于词向量的位置编码的方式有多种，这里就介绍用三角函数进行位置编码的公式

$PE(pos,2i)=\sin (pos/10000^{2i/d_{model}})$

$PE(pos,2i+1)=\cos(pos/10000^{2i/d_{model}})$

PE是position embeding位置编码的意思，pos表示词的位置， $d_{model}$ 表示词向量的维度,i表示词向量的第i维度

那接下来我们就根据公式进行位置编码的代码实现

代码实现

环境依赖的库

import torch
import math
import numpy as np
import matplotlib.pyplot as plt

定义一个函数获取位置编码的信息

def generate_word_embeding(max_len,d_model):# 初始化位置信息pos = torch.arange(max_len).unsqueeze(1)# 初始化位置编码矩阵result = torch.zeros(max_len,d_model)# 获得公式对应的值coding = torch.exp(torch.arange(0,d_model,2)*(-math.log(10000.0))/d_model)result[:,0::2] = torch.sin(pos*coding)result[:,1::2] = torch.cos(pos*coding)# 为了与原编码直接相加，格式为[B,seq_len,d_model]，需要再增加一个维度return result.unsqueeze(0)

假设我们的max_len是100，d_model为20，那么pos的维度为[100,1]，result的维度为[100,20]，coding的维度为[1,d_model/2]，result[:,0::2]是指对result的每列从第0列开始每隔一列赋值，对应公式中的PE(pos,2i)；同理，result[:,1::2]对应公式中的PE(pos,2i+1)

位置编码信息可视化

我们把得位置编码信息进行可视化从而得到更直观的感受

d = 6
pos_code = generate_word_embeding(100,d)
print(pos_code.shape)
plt.plot(np.arange(100),pos_code[0,:,0:d])
plt.legend(['dim=%d'%p for p in range(d)])
plt.show()

把词的时序长度设置为6，显示对应时序上每一个维度的位置编码信息