1：什么是大模型的外推性？
外推性是指大模型在训练时和预测时的输入长度不一致，导致模型的泛化能力下降的问题。例如，如果一个模型在训练时只使用了512个 token 的文本，那么在预测时如果输入超过512个 token，模型可能无法正确处理。这就限制了大模型在处理长文本或多轮对话等任务时的效果。
2：为什么要位置编码PE？
Transformer结构：并行输入。所以需要让输入的内容具有一定的位置信息。
句子1：我喜欢吃洋葱
句子2：洋葱喜欢吃我
3：绝对位置编码：
训练式位置编码：模型只能感知到每个词向量所处的绝对位置，无法感知词向量之间的相对位置。广泛应用于早期的transformer类型的模型，如BERT、GPT、ALBERT等。但其缺点是模型不具有长度外推性。因为位置编码矩阵的大小是预设的，若对其进行扩展，将会破坏模型在预训练阶段学习到的位置信息。例如将512*768扩展为1024*768，新拓展的512个位置向量缺乏训练，无法正确表示512~1023的位置信息。
Sinusoidal位置编码：这一点得到了缓解，模型一定程度上能够感知相对位置。Sinusoidal位置编码的每个分量都是正弦或余弦函数，所有每个分量的数值都具有周期性，并且越靠后的分量，波长越长，频率越低。
Sinusoidal位置编码还具有远程衰减的性质，具体表现为：对于两个相同的词向量，如果它们之间的距离越近，则他们的内积分数越高，反之则越低。如下图所示，我们随机初始化两个向量q和k，将q固定在位置0上，k的位置从0开始逐步变大，依次计算q和k之间的内积。我们发现随着q和k的相对距离的增加，它们之间的内积分数震荡衰减。
因为Sinusoidal位置编码中的正弦余弦函数具备周期性，并且具备远程衰减的特性，所以理论上也具备一定长度外推的能力。
4：Sinusoidal位置编码
：表示位置编码
：表示当前字符在输入sequence中的位置
：表示该字符嵌入的维度。
偶数位置使用sin, 奇数位置使用cos
举例：假设每个词嵌入维度为512，如图所示：
[我， 喜，欢，你] <-----输入sequence
[0, 1, 2, 3] <-----对应位置
注：如果sequence长度不够，那么不足就直接使用padding用0填充。
这里以“爱”为例，pos = 1，来说明PE的计算：
计算完所有的PE后，将词嵌入与PE进行相加，即可得到带有位置信息的embedding。
ps：这里有一个小trick：
当emb和位置编码相加了之后，我们希望emb占多数，比如将emb放大10倍，那么在相加后的张 量里，emb就会占大部分。因为主要的语义信息是蕴含在emb当中的，我们希望位置编码带来的影响不要超过emb。所以对 emb进行了缩放再和位置编码相加。
python 代码1如下：更加直观
# position 就对应 token 序列中的位置索引 i
# hidden_dim 就对应词嵌入维度大小 d
# seq_len 表示 token 序列长度
def get_position_angle_vec(position):
return [position / np.power(10000, 2 * (hid_j // 2) / hidden_dim) for hid_j in range(hidden_dim)]
# position_angle_vecs.shape = [seq_len, hidden_dim]
position_angle_vecs = np.array([get_position_angle_vec(pos_i) for pos_i in range(seq_len)])
# 分别计算奇偶索引位置对应的 sin 和 cos 值
position_angle_vecs[:, 0::2] = np.sin(position_angle_vecs[:, 0::2]) # dim 2t
position_angle_vecs[:, 1::2] = np.cos(position_angle_vecs[:, 1::2]) # dim 2t+1
# positional_embeddings.shape = [1, seq_len, hidden_dim]
positional_embeddings = torch.FloatTensor(position_angle_vecs).unsqueeze(0)python 代码2如下：
def sinusoidal_position_embedding(batch_size, nums_head, max_len, output_dim, device):
# (max_len, 1)
position = torch.arange(0, max_len, dtype=torch.float).unsqueeze(-1)
# (output_dim//2)
ids = torch.arange(0, output_dim // 2, dtype=torch.float) # 即公式里的i, i的范围是 [0,d/2]
theta = torch.pow(10000, -2 * ids / output_dim)
# (max_len, output_dim//2)
embeddings = position * theta # 即公式里的：pos / (10000^(2i/d))
# (max_len, output_dim//2, 2)
embeddings = torch.stack([torch.sin(embeddings), torch.cos(embeddings)], dim=-1)
# (bs, head, max_len, output_dim//2, 2)
embeddings = embeddings.repeat((batch_size, nums_head, *([1] * len(embeddings.shape)))) # 在bs维度重复，其他维度都是1不重复
# (bs, head, max_len, output_dim)
# reshape后就是：偶数sin, 奇数cos了
embeddings = torch.reshape(embeddings, (batch_size, nums_head, max_len, output_dim))
embeddings = embeddings.to(device)
return embeddings参考：
https://kaiyuan.blog.csdn.net/article/details/119621613
https://blog.csdn.net/qq_41915623/article/details/125166309
https://zhuanlan.zhihu.com/p/352233973
https://blog.csdn.net/u013853733/article/details/107853989
https://spaces.ac.cn/archives/8130
