第六章：自然语言处理技术全景
6.2 Transformer架构在NLP中的关键改进
学习目标
深入理解Transformer架构在自然语言处理中的核心改进点，掌握位置编码、注意力机制、训练优化等关键技术的发展脉络，了解如何针对不同NLP任务优化Transformer架构，并能够根据实际需求选择合适的变体。
一、位置编码系统的演进
1.1 绝对位置编码的局限性与改进
正弦位置编码的问题分析
原始Transformer的正弦位置编码存在三大局限：
长度外推性差：训练时固定最大长度，测试时难以处理更长序列
# 训练时位置索引最大512pos=torch.arange(512)# [0, 1, ..., 511]# 测试时遇到513长度序列，sin(512/10000^0)未在训练中出现高频振荡问题：高维度位置编码振荡过快，影响模型学习
维度i=0: sin(pos/10000^0) = sin(pos) # 周期2π ≈ 6.28 维度i=256: sin(pos/10000^(512/512)) = sin(pos/10000) # 周期62800绝对位置偏差：相对位置关系需要模型自行从绝对位置推断
学习式位置编码
将位置编码作为可学习参数：
classLearnedPositionalEncoding(nn.Module):def__init__(self,max_len,d_model):super().__init__()self.pe=nn.Parameter(torch.zeros(1,max_len,d_model))nn.init.trunc_normal_(self.pe,std=0.02)defforward(self,x):returnx+self.pe[:,:x.size(1),:]优势：更灵活，适应任务特性
劣势：无法外推到训练未见长度，需预设最大长度
相对位置编码的革命
T5的相对位置偏置
T5模型将相对距离分桶，每个桶学习一个偏置标量：
classT5RelativePositionBias(nn.Module):def__init__(self,num_buckets=32,max_distance=128,num_heads=12):super().__init__()self.num_buckets=num_buckets self.max_distance=max_distance self.relative_attention_bias=nn.Embedding(num_buckets,num_heads)def_relative_position_bucket(self,relative_position):# 将相对距离映射到桶索引ret=0n=-relative_positionifrelative_position>0:ret=self.num_buckets//2else:n=-relative_position max_exact=self.num_buckets//4is_small=n<max_exactifis_small:ret+=nelse:# 对数分桶ret+=max_exact+(torch.log(n.float()/max_exact)/math.log(self.max_distance/max_exact)*(self.num_buckets-max_exact)).long()returnretdefforward(self,query_length,key_length):# 计算相对位置矩阵context_position=torch.arange(query_length)[:,None]memory_position=torch.arange(key_length)[None,:]relative_position=memory_position-context_position# 映射到桶索引rp_bucket=self._relative_position_bucket(relative_position)values=self.relative_attention_bias(rp_bucket)values=values.permute([2,0,1]).unsqueeze(0)returnvalues设计特点：
- 对数分桶：近处精确，远处粗略
- 双向对称：区分前后方向
- 参数量少：仅需
num_buckets × num_heads个参数
DeBERTa的分离式注意力
DeBERTa将内容和位置信息分离计算：
[
\begin{aligned}
&Q_c = HW_q, \quad K_c = HW_k, \quad V_c = HW_v \
&Q_r = P_rW_{q,r}, \quad K_r = P_rW_{k,r} \
&A_{i,j} &= Q_c_i K_c_j^\top + Q_c_i K_r_{\delta(i,j)}^\top + Q_r_{\delta(i,j)} K_c_j^\top
\end{aligned}
]
其中δ(i,j)\delta(i,j)δ(i,j)表示相对位置编码。
1.2 旋转位置编码（RoPE）：理论优美的解决方案
复数空间旋转的直观理解
将词嵌入向量视为复数空间中的向量，通过旋转操作注入位置信息：
二维情况：
给定位置mmm的词嵌入向量[x1,x2][x_1, x_2][x1,x2]，旋转编码为：
[
\begin{bmatrix}
x_1’ \ x_2’
\end{bmatrix}
\begin{bmatrix}
\cos m\theta & -\sin m\theta \
\sin m\theta & \cos m\theta
\end{bmatrix}
\begin{bmatrix}
x_1 \ x_2
\end{bmatrix}
]
RoPE的完整数学形式
对于ddd维向量，将其分成d/2d/2d/2组，每组应用不同频率的旋转：
[
f_{\text{RoPE}}(x, m) =
\begin{pmatrix}
x_1 \ x_2 \ x_3 \ x_4 \ \vdots \ x_{d-1} \ x_d
\end{pmatrix}
\otimes
\begin{pmatrix}
\cos m\theta_1 \ \cos m\theta_1 \ \cos m\theta_2 \ \cos m\theta_2 \ \vdots \ \cos m\theta_{d/2} \ \cos m\theta_{d/2}
\end{pmatrix}
+
\begin{pmatrix}
-x_2 \ x_1 \ -x_4 \ x_3 \ \vdots \ -x_d \ x_{d-1}
\end{pmatrix}
\otimes
\begin{pmatrix}
\sin m\theta_1 \ \sin m\theta_1 \ \sin m\theta_2 \ \sin m\theta_2 \ \vdots \ \sin m\theta_{d/2} \ \sin m\theta_{d/2}
\end{pmatrix}
]
RoPE的关键特性
- 相对位置保持：两个向量的点积只与相对位置有关
[
f_{\text{RoPE}}(q, m)^\top f_{\text{RoPE}}(k, n) = g(q, k, m-n)
] - 长度外推性：可处理任意长度序列
- 线性注意力兼容：可与线性注意力结合
RoPE的实践实现
importtorchdefapply_rotary_pos_emb(q,k,cos,sin,position_ids):"""应用旋转位置编码"""# q, k: [batch_size, seq_len, num_heads, head_dim]# cos, sin: [seq_len, head_dim]# 将q和k的前半部分和后半部分分离q_embed=(q*cos)+(rotate_half(q)*sin)k_embed=(k*cos)+(rotate_half(k)*sin)returnq_embed,k_embeddefrotate_half(x):"""旋转一半维度：将[x1, x2, ..., xd]变为[-x2, x1, ..., -xd, x_{d-1}]"""x1=x[...,:x.shape[-1]//2]x2=x[...,x.shape[-1]//2:]returntorch.cat([-x2,x1],dim=-1)defprecompute_freqs_cis(dim:int,end:int,theta:float=10000.0):"""预计算旋转频率"""freqs=1.0/(theta**(torch.arange(0,dim,2)[:(dim//2)].float()/dim))t=torch.arange(end)freqs=torch.outer(t,freqs)# [seq_len, dim//2]# 转换为复数形式freqs_cis=torch.polar(torch.ones_like(freqs),freqs)# e^(i*theta)returntorch.view_as_real(freqs_cis)# [seq_len, dim//2, 2]1.3 ALiBi：线性偏置的简洁之美
ALiBi的核心思想
在注意力分数上添加与距离成线性关系的负偏置：
[
\text{Attention}(Q,K,V) = \text{softmax}\left(\frac{QK^\top}{\sqrt{d_k}} + m \cdot \text{bias}\right)V
]
其中bias\text{bias}bias是一个下三角矩阵，mmm是头特定的斜率。
偏置矩阵设计
defget_alibi_mask(n_heads,max_len):"""生成ALiBi偏置矩阵"""slopes=torch.tensor(get_slopes(n_heads))# 不同头的斜率bias=torch.arange(max_len).view(1,1,max_len)-torch.arange(max_len).view(1,max_len,1)bias=-torch.abs(bias)# 距离越远，偏置越负# 每个头乘以不同的斜率bias=bias.unsqueeze(0)*slopes.view(
