transformer 相对位置编码详解

问题1 请说下transgormer 的相对位置编码

好的，我们来系统梳理一下 Transformer 的相对位置编码（Relative Positional Encoding, RPE）。

1. 背景

原始的 Transformer（Vaswani et al., 2017）用了 绝对位置编码：

• 给定序列中第 $i$ 个 token 的位置 $i$，
• 通过固定的正余弦函数 $\sin ,\cos$ 或可学习向量，映射到一个 embedding，
• 这个 embedding 加到输入词向量上，提供位置信息。

但是绝对位置编码有两个问题：

1. 不自然地绑定了位置编号，序列平移后模型不具备平移不变性。
2. 无法自然推广到更长的序列。

因此引入了 相对位置编码。

2. 相对位置编码的核心思想

核心：注意力计算时，不关心 token 的绝对位置，而是关心 query 和 key 的 相对距离 $k-j$。

标准 self-attention 的打分是：

$$\text{score}(q_i,k_j)=\frac{q_i\cdot k_j}{\sqrt{d}}$$

加上相对位置编码后，可以改为：

$$\text{score}(q_i,k_j)=\frac{q_i\cdot k_j}{\sqrt{d}}+q_i\cdot r_{i-j}\text{或}{k}_j\cdot r_{i-j}$$

其中 $r_{i-j}$ 是和 相对位置差值 $i-j$ 绑定的向量。

• 如果 $i-j=0$，表示当前词自己。
• 如果 $i-j=1$，表示 key 比 query 晚一个位置。
• 以此类推。

这样模型就能感知 相邻词的关系，而不是单纯依赖绝对坐标。

3. 典型实现方式

(1) Transformer-XL 相对位置编码

Transformer-XL (Dai et al., 2019) 的公式是：

$$\text{score}(q_i,k_j)=\frac{q_i\cdot k_j+q_i\cdot r_{i-j}+u\cdot k_j+v\cdot r_{i-j}}{\sqrt{d}}$$

其中：

• $q_i$ 是 query，$k_j$ 是 key；
• $r_{i-j}$ 是相对位置 embedding；
• $u,v$ 是全局可学习向量。

这样在打分时，模型同时考虑了内容 (content) 和位置 (position)。

(2) T5 的相对位置偏置 (Relative Position Bias)

T5 (Raffel et al., 2020) 没有对 embedding 向量做运算，而是直接在 attention score 矩阵上加一个 偏置项：

$$\text{score}(q_i,k_j)=\frac{q_i\cdot k_j}{\sqrt{d}}+b_{i-j}$$

其中 $b_{i-j}$ 是根据相对距离 bucket 化的可学习参数。

• 例如把「距离=1,2,3,…」映射到少量 bucket，避免参数过多。
• 在长序列时效果非常好。

(3) Rotary Position Embedding (RoPE, GPT-NeoX, LLaMA)

RoPE 的做法更优雅：直接在 向量空间里通过旋转编码相对位置信息。

定义旋转矩阵 $R(\theta )$，让：

$$q_i=R(i)q,k_j=R(j)k$$

那么：

$$q_i\cdot k_j=q\cdot R(i-j)k$$

也就是说，绝对位置差转化为了向量旋转的相对差。

• 计算量不增加，
• 并且天然支持相对位置，
• 是现在很多大模型（LLaMA、ChatGLM）的主流方案。

4. 小结

相对位置编码的关键点：

1. 不直接依赖 token 的绝对坐标，而是利用 query-key 的 相对距离。

2. 常见三种形式：

   • Transformer-XL：内容 + 相对位置 embedding；
   • T5：attention score 上加 相对位置偏置；
   • RoPE：向量空间旋转，天然编码相对位置信息。

要不要我给你画一个 相对位置偏置矩阵示意图，直观展示每个 query 如何对不同距离的 key 加不同偏置？

问题2 给几个词向量举例

好，我们直接用几个小的 词向量例子 来说明相对位置编码的作用。
为了直观，我用低维度（2维）表示词向量。

1. 没有位置编码的情况

假设有三个 token：

• token1（“I”） → 向量 $x_1=[1,0]$
• token2（“like”） → 向量 $x_2=[0,1]$
• token3（“apples”） → 向量 $x_3=[1,1]$

标准 self-attention 里，打分公式是：

$$\text{score}(i,j)=q_i\cdot k_j$$

如果只用词向量，模型分不清「I like apples」和「apples like I」，因为它们的向量集合是一样的。

2. 绝对位置编码

给每个位置加一个位置向量，比如：

• pos1 → $[0.1,0.2]$
• pos2 → $[0.2,0.3]$
• pos3 → $[0.3,0.4]$

新的输入是：

• $x_1^{\prime }=[1,0]+[0.1,0.2]=[1.1,0.2]$
• $x_2^{\prime }=[0,1]+[0.2,0.3]=[0.2,1.3]$
• $x_3^{\prime }=[1,1]+[0.3,0.4]=[1.3,1.4]$

这样模型能区分「I」在第1个位置 vs 第3个位置，但还是死记绝对坐标。

3. 相对位置编码（T5式的偏置举例）

假设我们定义：

• 相对距离 = 0 → 偏置 = 0
• 相对距离 = ±1 → 偏置 = +2
• 相对距离 ≥ 2 → 偏置 = -1

那么在计算 attention score 时：

• token1 (位置1) 对 token2 (位置2)，距离 = +1 → 加偏置 +2
• token1 对 token3，距离 = +2 → 加偏置 -1

这样模型会特别「偏爱」相邻的词，更符合语言结构。

举例：

$$\text{score}(1,2)=q_1\cdot k_2+2$$

$$\text{score}(1,3)=q_1\cdot k_3-1$$

4. 相对位置编码（RoPE举例）

假设 query/key 本来是：

• $q_1=[1,0],q_2=[0,1]$
• $k_1=[1,0],k_2=[0,1]$

RoPE 会对每个位置 $i$ 做旋转：

• 位置1：旋转角度 $\theta$
• 位置2：旋转角度 $2\theta$

所以：

• $q_1=R(\theta )[1,0]=[\cos \theta ,\sin \theta ]$
• $q_2=R(2\theta )[0,1]=[-\sin 2\theta ,\cos 2\theta ]$

这样在点积时：

$$q_1\cdot k_2=\cos \theta \cdot (-\sin 2\theta )+\sin \theta \cdot \cos 2\theta$$

最终结果只依赖于 位置差 (2-1)，天然编码了相对位置信息。

👉 你要不要我帮你做一张 小型 3×3 attention score 矩阵，分别展示「无位置编码 / 绝对位置编码 / 相对位置编码」的区别？