一、为什么Transformer需要对输入进行位置编码
因为Transformer的输入并没有内涵位置信息，同样的词在不同位置，或者同一个序列以不同顺序输入，对应的词间都会得到相同的注意力权重和输出，但是在NLP领域，词的顺序会极大地影响句子的含义。
句子1：小明喜欢上了小红
句子2：小红喜欢上了小明
对于这两个句子，分词、embedding处理后得到的词向量是相同的，都是“小红”、“小明”、“喜欢”、“上”、“了” 对应的词向量，它们会以下图的方式计算self-attention
图一
在输入Transformer模型时，只是词向量的顺序不同，但是在计算self-attention时（以“小红”为例，用小红的q，分别与其他token的k相乘，计算相关性a，然后在呈上相应的v的到向量）
图二
所以，哪怕是顺序不同，每个token对应的词向量b 依旧不变，这个问题RNN就不需要考虑，因为在RNN模型中，token是一个接一个进入其中的，它们进入的顺序已经隐含了位置信息。
二、Transformer的Positional Encoding是如何进行确定位置信息的呢？
首先说一下Transformer中位置编码是使用正余弦函数进行编码的，公式如下：
看到这个，肯定会有小伙伴提出疑问了，为什么是sin()、cos()函数呢？为什么里面是10000呢？小小脑袋，大大问号❓❓❓ 别急别急，咱们一个一个来。
1、为什么是sin()、cos()函数呢？
正如图二所示，在求self-attention时，先求qi与kj相乘，求贡献力度aj，然后再用贡献力度aj 乘 vj，之后在相加，得出第i个输入对应的encoder输出。（艾玛，太抽象了，建议看图二）
可以看到，q * k展开之后的第二项，可以理解为绝对位置，就是token(i)和token(j)分别对应的位置P(i)、P(j)，，，最后一项，既包括pi也包括pj，和两个位置都有关。
这能说明式子展开之后，已经具备了绝对位置信息，还没有具备相对位置信息，但是有一项表达式和两个位置都有关（最后一项），那我们能不能将最后一项通过人为设定P(x)的表达式，让其隐含相对信息呢？（为什么要希望同时具备绝对位置、相对位置？因为这样更能表示两个变量之间的具体位置呀）
答案是肯定的，这就是位置编码的由来，也就是上面那个公式，具体推导如下：
那么如何才能实现简化之后的式子呢？？？ 主要是这个g(x)函数怎么构造呢，当时的研究人员就绞尽脑汁的想啊想啊，突然灵光一现，想到了正余弦函数：
这样使用正余弦函数，恰好能满足g(x)的需求，能完成我们的设想。这就是正余弦函数的由来。👏👏👏
那对于多维的编码来说呢，由于内积满足叠加性，更高维度的编码可以看成两两一组的结合：
为什么里面是
呢？
那么通过一个相似公式，我们就把问题转换为积分的渐进估计问题了，把这积分的图像画出来，观察一下：
随着（m-n）的增大，也就是相对距离的增大，积分结果逐渐下降。
可以看到，这里做了很多实验，验证那个数值比较好一些，但是像10000对应的橙色的曲线一定是最好的吗？好像并不是，，，如果让我们选的话，好像1000对应的 蓝线 更好一些。 随意这个就是研究人员选取的，没必要太过于纠结为什么是10000.
