Transformer位置表示(Position Encoding)
为什么需要位置表示
对比CNN、RNN和Self-Attention:
CNN处理相邻窗口的内容；RNN天然是序列操作，考虑了位置先后关系；Self-Attention的计算时是无序的，所以需要位置表示来知道Token之间的位置信息。
绝对位置表示
典型如：Bert/Roberta/GPT2的位置表示，将位置如 0～512 像词一样做embedding，需要训练position向量矩阵
不同模型训练出来的位置表示之间的相似性，对角线是1
优势：简单
劣势：无法处理超出长度的句子，必须截断
相对位置表示
位置n的旋转位置编码（RoPE），本质上就是数字n的β进制编码！- 苏剑林
为什么需要进制编码？我们先看进制编码的格式：
我们再回到RoPE的公式：pos是位置，i是表示向量的维度
令 \beta=10000^2，那么RoPE就是下面这种表示，也就是完整的进制编码表示：
我们再看下位置表示的可视化，发现当表示向量的维度上升，曲线更加稠密；
为什么要用周期进制表示：
-
进制在表示相对位置时和绝对位置表示是一样的效果，如「我们知道10的相邻数据是9和11」
-
周期进制表示方式，更加的稠密；就像10/16进制一样，进制越高，表示信息越大
-
周期进制可以做推理：假设我们已经学习过0～200的表示，那么对于200～299，直接就知道他们的位置和关系；甚至于200～999也是可以直接知道含义的
如何扩展位置表示
直接外推
如果我们学习过position 在0～200之间的表示，那么对于200～299的长度，可以直接扩展，甚至 200～999的位置表示，也可以直接外推。但是如果是1000～以上的范围，那么效果就不好了，因为千位的维度没有训练过。
优点是：在预留的维度上，是可以直接外推，不需要训练的；
缺点：超出范围的，性能下降极大
线性内插
如果我们学习过position 在0～200之间的表示，我们需要表示更长，一种是我们每隔0.5就做一个表示，这样表示能力扩展到 0～400了，这样还是保持学习范围之内，但是问题是表示更加拥挤，当处理范围进一步增大时，相邻差异则更小，这样位置表示的作用就减弱了。
优点是：原则上可以无限内插下去
缺点：差异小了，PE的效果降低
Neural Tangent Kernel—NTK-aware
内插 + 外插叠加：在低位的时候，基本和原来一致，不影响原始表示，这个就是外插；在高位的时候，往里面内插，虽然信息降低，但是也可以表示