相对位置编码的原理

虽然绝对位置编码，如正弦或学习得到的嵌入，为Transformer模型提供了必要的序列顺序信息，但它们独立处理每个位置。位置 $i$ 的编码，表示为 $P_i$，在生成时没有直接参考任何其他位置 $j$。这种方法存在局限。例如，如果一个模型在长度为512的序列上训练，在推理时遇到长度为1024的序列，这些绝对编码的泛化能力如何，并不立即明了。此外，注意力机制天然地计算标记对之间的关系（查询 $i$ 注意到键 $j$）。如果注意力计算中包含的位置信息能明确反映位置 $i$ 和 $j$ 之间的相对距离或联系，而非仅仅它们的绝对位置，那可能会更自然。

这一观察促成了相对位置编码方案的提出。其核心思想是修改注意力机制或其输入，以便相对位置差（通常是 $i-j$）影响标记 $i$ 和标记 $j$ 之间的注意力得分。相对方案的目标是，不再仅仅将 $P_i$ 添加到标记 $i$ 的输入嵌入中，而是将查询和键位置之间的偏移信息直接注入到它们的交互计算里。

考虑标准的缩放点积注意力：

$$\text{注意力}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$$

这里，查询 $i$（$Q$ 的第 $i$ 行）和键 $j$（$K$ 的第 $j$ 行）之间的交互由点积 $q_i \cdot k_j$ 捕获。绝对位置编码通常在初始嵌入被投影到 $Q$ 和 $K$ 之前添加。相对位置编码旨在根据相对位置 $i-j$ 来修改这种交互。

这种相对信息通常可以通过两种主要方式来纳入：

1. 修改注意力得分： 可以计算基于相对位置 $i-j$ 的信息，并将其作为偏置项直接添加到 $q_i \cdot k_j$ 的点积中，在 softmax 操作之前。
2. 修改查询/键向量： 查询向量 $q_i$ 或键向量 $k_j$（或两者）可以以位置相关的方式进行修改，使得它们的点积隐式地包含相对位置信息。

让我们将差异可视化：

绝对编码定义了相对于固定原点的位置，而相对编码则侧重于位置对之间的有向关系。

为何要采用这种方法？相对编码具有多项潜在优势：

• 更好的泛化能力： 由于相对距离通常落在比绝对位置更小的范围内（例如，大多数依赖关系可能在 +/- 50 个标记内），模型可能学到对训练中未见过的序列长度有更好泛化能力的表示。
• 平移不变性： 理想情况下，位置 $i$ 注意位置 $j$ 的方式应仅取决于偏移量 $i-j$。对于偏移量 +2 学到的交互模式，无论是在位置 (5, 3) 还是 (105, 103) 之间，都应可重复使用。相对编码比绝对编码能更自然地实现这一点。
• 直接建模关系： 注意力就是关于成对关系的。将相对位置信息直接注入注意力计算中，与此机制非常契合。

考虑修改注意力得分的一种简化方式是，计算每个查询位置 $i$ 和位置 $j$ 之间的相对偏移。然后，此偏移量可用于查找表示该特定相对距离的学习嵌入。

import torch
import torch.nn as nn

# --- 示例代码段 ---
# 假设 B=批大小, L=序列长度, H=头数, D=头维度
# 假设查询向量的形状为 [B, H, L, D]

seq_len = 10
max_relative_distance = 4 # 只明确建模附近的相对位置

# 查询位置：0, 1, ..., 9
query_pos = torch.arange(seq_len, dtype=torch.long)
# 位置：0, 1, ...
key_pos = torch.arange(seq_len, dtype=torch.long)

# 计算相对位置 (矩阵[i, j] = i - j)
# 形状：[L, L]
relative_pos = query_pos.unsqueeze(1) - key_pos.unsqueeze(0)
print(f"L=5时的原始相对位置 (i-j):\n{relative_pos[:5, :5]}")

# 将相对位置裁剪到一定范围
# [-最大相对距离, 最大相对距离]
# 将这些裁剪后的值映射到索引 [0, 2*最大相对距离]
clipped_relative_pos = torch.clamp(
    relative_pos,
    -max_relative_distance,
    max_relative_distance
)
relative_pos_indices = clipped_relative_pos + max_relative_distance
print(f"\nL=5时裁剪后的相对索引:\n{relative_pos_indices[:5, :5]}")

# 假设我们有一个用于相对位置的嵌入表
num_relative_embeddings = 2 * max_relative_distance + 1
# 例如，对于 -4 到 +4 -> 9 个嵌入
# 嵌入维度：通常只有 1 (每个头的标量偏置)
# 或 D (每个头的向量偏置)
# 让我们假设每个头使用标量偏置，嵌入维度 = 头数 (H)
num_heads = 8
relative_embedding = nn.Embedding(num_relative_embeddings, num_heads) # 例如 H=8

# 根据相对位置索引查找偏置
# 形状：[L, L, H]
relative_position_bias = relative_embedding(relative_pos_indices)

# 重塑/置换偏置以匹配注意力得分形状
# [B, H, L, L]
# 在softmax之前将此偏置添加到 QK^T 点积中
# 示例（为简化起见忽略批维度 B）：
# 注意力得分形状：[H, L, L]
# 相对位置偏置形状：[L, L, H] -> 置换为 [H, L, L]
bias_for_scores = relative_position_bias.permute(2, 0, 1) # 现在是 [H, L, L]

# 注意力计算修改：
# 查询形状：[H, L, D]，键形状：[H, L, D]
# attn_scores = torch.matmul(query, key.transpose(-2, -1))
#               / (D**0.5) # [H, L, L]
# attn_scores = attn_scores + bias_for_scores # 添加相对偏置
# attn_probs = torch.softmax(attn_scores, dim=-1)

print(f"\n查找索引的形状: {relative_pos_indices.shape}")
print(f"相对嵌入表输出的形状: {relative_position_bias.shape}")
print(f"用于注意力得分的置换偏置的形状: {bias_for_scores.shape}")

此代码段说明了核心流程：计算相对索引，裁剪它们以管理嵌入表大小，查找对应的嵌入，并准备将其添加到注意力得分中。

当然，这是一种简化视角。高效且实际的实现需要仔细处理嵌入查找、层间嵌入的潜在共享，以及将其自然地整合到Transformer块中。接下来的部分将审视具体、成熟的方法，如Shaw等人的方法、Transformer-XL的相对编码和旋转位置嵌入（RoPE），这些方法在实践中应用了这些思想。