•  🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊 | 接辅导、项目定制

🏡我的环境：

• 语言环境：Python3.11.4
• 编译器：Jupyter Notebook
• torcch版本：2.0.1  

• import numpy as np
  import matplotlib.pyplot as plt
  def getPositionEncoding(seq_len,d,n=10000):
      P = np.zeros((seq_len,d))
      for k in range(seq_len):
          for i in np.arange(int(d/2)):
              denominator = np.power(n,2*i/d)
              P[k,2*i]    = np.sin(k/denominator)
              P[k,2*i+1]  = np.cos(k/denominator)
          return P
      
  P = getPositionEncoding(seq_len=4,d=4,n=100)
  print(P)

  ​

def plotSinusoid(k,d=512,n=10000):
    x = np.arange(0,100,1)
    denominator = np.power(n,2*x/d)
    y = np.sin(k/denominator)
    plt.plot(x,y)
    plt.title('k =' + str(k))

fig = plt.figure(figsize=(15,4))
for i in range(4):
    plt.subplot(141+i)
    plotSinusoid(i*4)

 ​

P   = getPositionEncoding(seq_len=100,d=512,n=10000)
cax = plt.matshow(P)
plt.gcf().colorbar(cax)

​ 

二、小结

 Transformers 使用智能位置编码方案，其中每个位置/索引都映射到一个向量。因此，位置编码层的输出是一个矩阵，其中矩阵的每一行代表序列中的一个编码对象与其位置信息相加。