在处理自然语言时候，因Transformer是基于注意力机制，不像RNN有词位置顺序信息，故需要加入词的位置信息来显示的表明词的上下文关系。具体是将词经过位置编码(positional encoding)，然后与emb词向量求和，作为编码块(Encoder block)的输入信息。在《Attention Is All You Need》论文中，位置编码信息如下：

其中PE的维度为：[序列长度,编码维度]（即[seq_len,emb_dim]）

pos表示词语在句子中的位置

  表示编码(emb)的维度

i表示词向量的位置，偶数位置用sin,奇数位置用cos

据此，即可根据不同的pos信息和i信息得到不同的位置嵌入信息。具体计算时候，由于sin和cos后半部分相同，采用log将次方拿下，方便计算。

具体Pytorch代码实现如下

# coding=utf8

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import torch
import math

def get_position_encoding(seq_len, emb_dim):
    pe = torch.zeros(seq_len, emb_dim)
    pos = torch.arange(0, seq_len, dtype=torch.float)
    pos = pos.unsqueeze(1)
    locpos = torch.arange(0, emb_dim, 2).float()
    div_term = torch.exp(locpos * (-math.log(10000.0) / emb_dim))    #对应上面公式最后一行
    # 第一维度序列长度，第二维度编码
    pe[:, 0::2] = torch.sin(pos * div_term)
    pe[:, 1::2] = torch.cos(pos * div_term)
    return pe
pe = get_position_encoding(100, 32)
sns.heatmap(pe)
plt.xlabel('emb_dim')
plt.ylabel('seq_len')
plt.show()

生成图如下：

补充知识点：

切片，位置编码赋值：

def clip_pos(x):
    xdata = torch.arange(1, x, 1)
    print("###xdata:###", xdata)
    """
    切片的语法使用冒号（:）来表示，形式为`[start:end:step]`，其中start表示起始索引（包含），end表示结束索引（不包含），step表示步长（默认为1）。
    如果省略start，则默认从序列的第一个元素开始
    如果省略end，则默认截取到序列的最后一个元素 
    如果省略step，则默认以步长为1进行截取
    """
    # print(xdata[0::2])
    print(xdata[0:4:2])
    print(xdata[1::2])