Позиционное кодирование

Все этапы в блоке кодировщика модели трансформера [1] (feed forward, суммирование, нормализация, самовнимание) работают независимо для каждого токена. Это ускоряет работу модели, позволяя производить вычисления параллельно, однако при этом полностью теряется информация о позиции каждого токена последовательности.

Но эта информация важна. Например, фразы "the mother loves the daughter" и "the daughter loves the mother" состоят из одних и тех же слов, но имеют разный смысл!

Для интеграции информации о позиции каждого токена используется позиционное кодирование (positional encoding), состоящее в том, что каждой позиции pos (индекса токена в последовательности) сопоставляется свой $D$-мерный эмбеддинг, а затем эти эмбеддинги прибавляются к эмбеддингам самих токенов.

Использование в архитектуре

Позиционные эмбеддинги прибавляются только ко входам первого блока кодировщика. Последующие блоки кодировщика работают с выходными эмбеддингами предыдущего блока в неизменном виде.

В блоках декодировщика позиционное кодирование также используется только для входов самого первого блока.

Вектор позиционного кодирования $\mathbf{e}^p\in\mathbb{R}^D$ для токена на позиции $p=1,2,...T$ заполняется синусами от этой позиции на чётных элементах вектора и косинусами от позиции - на нечётных, причем для разных элементов используются синусы и косинусы разных периодов от $2\pi$ до $10000\cdot 2\pi$:

$$\begin{aligned} \mathbf{e}^p_{2i} & = \sin\left(pos/10000^{2i/D}\right)\\ \mathbf{e}^p_{2i+1} & = \cos\left(pos/10000^{2i/D}\right) \end{aligned}$$

Можно объединить эти вектора в матрицу $E\in \mathbb{R}^{T\times D}$.

Пример визуализации этой матрицы при кодировании последовательности из 32 токенов в 16-мерном пространстве приведён ниже [2]:

$j$-му токену будет соответствовать $j$-й столбец. Как видим, существует взаимно однозначное соответствие между номером позиции и её эмбеддингом.

Интуиция

Позиционное кодирование идейно повторяет кодирование номеров позиций в виде двоичного представления:

$$0\to\left(0,0,0,\cdots\right)\\1\to\left(1,0,0,\cdots\right)\\2\to\left(0,1,0,\cdots\right)\\3\to\left(1,1,0,\cdots\right)\\4\to\left(0,0,1,\cdots\right)\\5\to\left(1,0,1,\cdots\right)\\6\to\left(0,1,1,\cdots\right)\\7\to\left(1,1,1,\cdots\right) \\ \cdots$$

В этом представлении более поздние биты представления меняются более плавно, чем более ранние. Такой же эффект реализуется и в формулах позиционного кодирования, что позволяет нейросети восстановить позицию по эмбеддингу этой позиции.

Литература

1. Vaswani A. Attention is all you need //Advances in Neural Information Processing Systems. – 2017.
2. naokishibuya.medium.com: Transformer’s Positional Encoding.