中科白癜风 https://jbk.39.net/yiyuanfengcai/video_bjzkbdfyy/

在人类的语言中，单词的顺序和它们在句子中的位置是非常重要的。如果单词被重新排序后整个句子的意思就会改变，甚至可能变得毫无意义。

Transformers不像LSTM具有处理序列排序的内置机制，它将序列中的每个单词视为彼此独立。所以使用位置编码来保留有关句子中单词顺序的信息。

什么是位置编码？

位置编码（Positionalencoding）可以告诉Transformers模型一个实体/单词在序列中的位置或位置，这样就为每个位置分配一个唯一的表示。虽然最简单的方法是使用索引值来表示位置，但这对于长序列来说，索引值会变得很大，这样就会产生很多的问题。

位置编码将每个位置/索引都映射到一个向量。所以位置编码层的输出是一个矩阵，其中矩阵中的每一行是序列中的编码字与其位置信息的和。

如下图所示为仅对位置信息进行编码的矩阵示例。

Transformers中的位置编码层

假设我们有一个长度为L的输入序列，并且我们需要对象在该序列中的位置。位置编码由不同频率的正弦和余弦函数给出：

d：输出嵌入空间的维度

pos：输入序列中的单词位置，0≤pos≤L/2

i：用于映射到列索引其中0≤id/2，并且I的单个值还会映射到正弦和余弦函数

在上面的表达式中，我们可以看到偶数位置对使用正弦函数，奇数位置使用余弦函数。

从头编写位置编码矩阵

下面是一小段使用NumPy实现位置编码的Python代码。代码经过简化，便于理解位置编码。

defgetPositionEncoding(seq_len,dim,n=):PE=np.zeros(shape=(seq_len,dim))forposinrange(seq_len):foriinrange(int(dim/2)):denominator=np.power(n,2*i/dim)PE[pos,2*i]=np.sin(pos/denominator)PE[pos,2*i+1]=np.cos(pos/denominator)returnPEPE=getPositionEncoding(seq_len=4,dim=4,n=)print(PE)

为了更好的理解位置彪马，我们可以对其进行可视化，让我们在更大的值上可视化位置矩阵。我们将从matplotlib库中使用Python的matshow()方法。比如设置n=10,，得到:

因此，位置编码层将单词嵌入与序列中每个标记的位置编码矩阵相加，作为下一层的输入。这里需要注意的是位置编码矩阵的维数应该与词嵌入的维数相同。

在Keras中编写自己的位置编码层

首先，让我们编写导入所有必需库。

importtensorflowastffromtensorflowimportconvert_to_tensor,stringfromtensorflow.keras.layersimportTextVectorization,Embedding,Layerfromtensorflow.dataimportDatasetimportnumpyasnp

以下代码使用Tokenizer对象将每个文本转换为整数序列（每个整数是字典中标记的索引）。

output_sequence_length=4vocab_size=10sentences=["Howareyoudoing","Iamdoinggood"]tokenizer=Tokenizer()tokenizer.fit_on_texts(sentences)tokenzied_sent=tokenizer.texts_to_sequences(sentences)print("Vectorizedwords:",tokenzied_sent)

实现transformer模型时，必须编写自己的位置编码层。这个Keras示例展示了如何编写Embedding层子类：

classPositionEmbeddingLayer(Layer):def__init__(self,sequence_length,vocab_size,output_dim,**kwargs):super(PositionEmbeddingLayer,self).__init__(**kwargs)self.word_embedding_layer=Embedding(input_dim=vocab_size,output_dim=output_dim)self.position_embedding_layer=Embedding(input_dim=sequence_length,output_dim=output_dim)defcall(self,inputs):position_indices=tf.range(tf.shape(inputs)[-1])embedded_words=self.word_embedding_layer(inputs)embedded_indices=self.position_embedding_layer(position_indices)returnembedded_words+embedded_indices

这样我们的位置编码就完成了

转载请注明:http://www.aideyishus.com/lkyy/7786.html