AI-大语言模型LLM-Transformer架构3-嵌入和位置编码
目的
为避免一学就会、一用就废，这里做下笔记
说明
- 本文内容紧承前文-Transformer架构1-整体介绍和Transformer架构2-自注意力，欲渐进，请循序
- 本文重点介绍Transformer架构中的嵌入和位置编码，它们在编码器堆栈和解码器堆栈中都有用到
一、嵌入-Embedding
与Transformer架构1-整体介绍中讲的一样，这里的Embedding，实际上是三个动作：
- 分词Tokenize：将“我爱中国的山川湖海”拆分成[“我”,“爱”,“中国”,“的”,“山”,“川”,“湖”,“海”]
- 编码Encoding：将分词后的每个词，对照词表(类似机器能理解的新华字典)，一个个翻译成机器能处理的数字编码，如1代表中文的“我”，71代表中文的“爱”，编码后形成[1,71,102,99,210,211,212,213]这样的序列
- 嵌入Embedding：嵌入是为了将数据向量化。向量化本质是通过嵌入模型，用高维向量（如1024维）充分表征每个词的语义（如“我”的多重含义、“我”的词性是名词、“我”一般用作主语或宾语等），且语义相似的两个向量余弦距离也更近。编码后的序列经向量化后是一个二维矩阵（矩阵1024列，代表嵌入模型的维度；矩阵8行，代表token的个数）
为什么嵌入后的向量，能充分表征原始token，能理解深层语义？
数据科学家负责给出理论解释，工程师则从实践结果验证猜想，这里不深究
不同类型的嵌入比较
| 嵌入类型 | 特点 | 优点 | 缺点 | 典型应用 |
|---|---|---|---|---|
| 词嵌入 | 为每个词学习固定向量 | 简单高效，捕获词汇语义 | 无法处理一词多义，OOV问题（超出词表范围） | Word2Vec, GloVe, 文本分类 |
| 子词嵌入 | 基于子词（BPE/WordPiece）单位 | 解决OOV，捕获形态学，共享表示 | 序列变长，需分词器 | BERT, GPT系列，机器翻译 |
| 字符嵌入 | 基于字符级别的最小单位 | 完全无OOV，完美形态学处理 | 序列很长，训练困难，语义稀疏 | Char-CNN, ByT5, 形态丰富语言 |
| 段落嵌入 | 为文档/段落学习整体表示 | 文档级语义理解，信息聚合 | 丢失细节信息，粒度较粗 | Doc2Vec, 文档检索，段落分类 |
| 实体嵌入 | 为知识图谱实体学习表示 | 融合结构化知识，关系编码 | 需要外部知识库，数据依赖 | 知识图谱补全，推荐系统 |
| 多模态嵌入 | 跨模态统一表示空间 | 模态对齐，跨模态检索/生成 | 对齐难度大，数据要求高 | CLIP, DALL-E, 视觉问答 |
| 上下文嵌入 | 动态生成，依赖上下文环境 | 处理一词多义，深度语境理解 | 计算量大，需完整前向传播 | BERT, ELMo, 所有预训练模型 |
| 稀疏嵌入 | 高维稀疏表示（如哈希嵌入） | 内存效率高，快速检索 | 精度较低，哈希冲突问题 | 大规模推荐系统，广告召回 |
| 图嵌入 | 为图节点学习向量表示 | 捕获结构信息，关系感知 | 依赖于图质量，动态图难处理 | Node2Vec, GNN, 社交网络分析 |
注：现代大模型主要采用上下文嵌入（如Transformer架构）和子词嵌入（BPE/WordPiece），因其在语义表示和泛化能力上的综合优势。
二、位置编码-Position Encoding
为什么需要位置编码
- 嵌入后的每个向量，只有单个词的信息。而语言的信息，不仅存在于每个词中，还存在每个词出现的顺序/位置中。
- 后续的自注意力本身是排列等变的：输入序列重排时，输出也相应重排，缺乏位置信息。
- 因此位置编码用来填补这个空白，它为嵌入后的数据注入位置信息，使Transformer能够处理自然语言中的顺序依赖关系
什么是位置编码
对比理解：
嵌入是一种编码手段，它将人类理解的语句转换成浮点数矩阵（一组向量）,该矩阵包含了原始语句的每个词的语义信息；
位置编码也是类似的编码手段，它将人类理解的语句的位置信息转换成相同大小的浮点数矩阵，该矩阵包含了原始语句中，每个词的顺序信息。
因此嵌入后的矩阵+位置编码后的矩阵=包含原始语句完整语义的矩阵
不同类型的位置编码比较
| 编码类型 | 特点 | 优点 | 缺点 | 典型应用 |
|---|---|---|---|---|
| 正弦余弦 | 预定义三角函数，无需训练 | 无限外推能力，参数效率高，相对位置编码 | 灵活性差，无法自适应数据 | 原始Transformer，ViT |
| 可学习嵌入 | 每个位置学习一个向量 | 自适应数据，灵活性高 | 长度固定，无外推能力，增加参数量 | BERT，RoBERTa，GPT-2 |
| 相对位置 | 编码相对距离而非绝对位置 | 更好的泛化，适合长序列 | 实现复杂，需要训练偏置参数 | T5，DeBERTa，Transformer-XL |
| 旋转编码 | 通过旋转操作融入位置信息 | 保持相对位置特性，优秀外推 | 数学复杂，计算量稍大 | LLaMA，PaLM，ChatGLM |
| 线性偏置 | 在注意力分数加线性衰减偏置 | 极简设计，强大外推能力 | 表达能力受限，过于简单 | BLOOM，ALiBi系列 |
| 层次编码 | 多粒度位置编码 | 适合文档级任务，层次感知 | 实现复杂，多组参数 | Longformer，BigBird |
注：现代大模型多采用相对位置或旋转位置编码，因其在长序列处理和外推能力上的优势。
为什么位置编码和嵌入后的矩阵相加后，transformer能同时理解到位置和语义信息？
这可以分解为两个问题：1、为什么矩阵合并后信息没有丢失？2、为什么用加法？
1、为什么矩阵合并后信息没有丢失？**
矩阵合并后，原始语义信息和位置信息都溶解在合并后的矩阵里，无法反向提取出来，好像反而会导致信息的丢失，其实不然。
以位置信息为例，Transformer能理解位置信息，不是因为能从加法和中"反向取出"位置编码，而是因为：
位置信息已"溶解"在所有后续计算中，特别是注意力机制中，位置的影响会自然显现
位置编码的特定设计使其在注意力计算中产生可识别的模式
模型通过训练学会了识别这些模式，而不是反向提取
2、为什么用加法？
加法被选择，不是因为它是理论上最优的，而是因为它是实践中最佳的平衡点：
计算效率：O(d)复杂度，最简单快速
梯度友好：不会导致梯度消失/爆炸
信息保存：基本保持语义信息的完整性
足够表达：结合注意力机制，能学习复杂模式
实验验证：在各种任务上表现优异