简介

Transformer模型抛弃了RNN、CNN作为序列学习的基本模型。循环神经网络本身就是一种顺序结构，天生就包含了词在序列中的位置信息。当抛弃循环神经网络结构，完全采用Attention取而代之，这些词序信息就会丢失，模型就没有办法知道每个词在句子中的相对和绝对的位置信息。因此，有必要把词序信号加到词向量上帮助模型学习这些信息，位置编码（Positional Encoding）就是用来解决这种问题的方法。
关于位置编码更多介绍参考bev感知专栏的博客

源码实现:

import torch
import matplotlib.pyplot as pltdef posemb_sincos_2d(h, w, dim, temperature: int = 10000, dtype=torch.float32):y, x = torch.meshgrid(torch.arange(h), torch.arange(w), indexing="ij")assert (dim % 4) == 0, "feature dimension must be multiple of 4 for sincos emb"omega = torch.arange(dim // 4) / (dim // 4 - 1)omega = 1.0 / (temperature ** omega)y = y.flatten()[:, None] * omega[None, :]x = x.flatten()[:, None] * omega[None, :]pe = torch.cat((x.sin(), x.cos(), y.sin(), y.cos()), dim=1)return pe.type(dtype)def posemb_sincos_1d(len, dim, temperature: int = 10000, dtype=torch.float32):x = torch.arange(len)assert (dim % 2) == 0, "feature dimension must be multiple of 2 for sincos emb"omega = torch.arange(dim // 2) / (dim // 2 - 1)omega = 1.0 / (temperature ** omega)x = x.flatten()[:, None] * omega[None, :]pe = torch.cat((x.sin(), x.cos()), dim=1)  # 这里不用担心,不交叉无所谓,return pe.type(dtype)if __name__ == '__main__':pos = posemb_sincos_1d(200, 256)# pos = posemb_sincos_2d(20,20,256)# 创建一个热力图plt.imshow(pos, cmap='hot', interpolation='nearest')# 添加颜色条plt.colorbar()# 显示图形plt.show()pass

可视化结果如下: