NLP.TM[27] | bert之我见-positional encoding

【NLP.TM】

本人有关自然语言处理和文本挖掘方面的学习和笔记，欢迎大家关注。

往期回顾：

• NLP.TM[21] | 语言模型发展思路

• NLP.TM[22] | 如何修正NLP问题的bad case

• NLP.TM[24] | TextCNN的个人理解
  

• NLP.TM[25] | CS224N学习小结

• NLP.TM[26] | bert之我见-attention篇
  

近期我会一连几篇谈谈bert中的关键细节，这个position encoding是我看到的bert（实质上是transformer中提出的）中最为惊喜的但是却被很多人忽略（可以理解为媒体鼓吹最少的）一个细节，这里给大家谈谈。

什么是position encoding

顾名思义，就是基于位置的一套词嵌入方法，说得简单点，就是对于一个句子，都有对应的一个向量。

position encoding的收益

我感觉要做一个事情，首先还是要看他的出发点和收益，说白了就是优点是啥，做这个的目标是啥，这样我们才知道怎么做。

回头看看CNN结构、RNN甚至是transformer的self-attention，其实都没有特别关注位置信息，而实际上，我们却是需要去关注的，毕竟作为一门语言，他大都有比较严谨的语法结构，特定词汇还真的会出现在特定位置，这是非常有意思的，来看看例子（来源于知乎）：

I like this movie because it doesn't have an overhead history. I don't like this movie because it has an overhead history.

从情感上，上面是正面，下面是负面，这个非常显而易见，因为这个否定句，从实体提取的角度都有movie和history，无论是哪个任务，都可以看到一个语法结构中存在的位置信息。

对CNN，只能考虑到固定前后的局部信息，RNN能考虑稍微长期的信息，LSTM是有重点的记录，Transformer只能考虑到全局的信息，尤其在bert中，只用了transformer encoder，模型上就完全丧失对位置信息的描述了，因此引入基于位置的特征就可能在特定任务中产生收益。

换个角度再看一个例子：

I believe I can be the best.

对于self attention，如果没有positional encoding，两个i的输出将会一样，但是我们知道，这两个i是存在区别的，不是在指代上，而是含义上，第一个i是观点的发出者，“不要你觉得，我要我觉得”，第二个i是观点的对象，“认为我会是最棒的，不是别人”，所以从语义上两者就有所区别了，权重向量完全一样可就有问题了吧。这也是缺少位置信息的缺憾。

position embedding怎么做

首先，最简单的模式就是对词向量矩阵直接加一层全连接层，就是全连接层。就真的是这么简单！

对于每个位置的词向量，都稳定的乘以一个稳定的向量，就如上面所示，第1个位置一定对应positonal embedding的第一个向量，那这组向量抽出来，不是positional embedding是啥。

但当然的，这里就有很大的问题，那就是这只是绝对位置，看上面第一个例子（我再搬运一遍）：

I like this movie because it doesn't have an overhead history. I don't like this movie because it has an overhead history.

这里的like 和 don't like可就不是一个位置了吧，所以绝对位置肯定是有问题的，那么就要引入相对位置的概念了。来看看transformer论文里面是怎么说的（我把解释也给大家搬过来了）：

这里用的是两种三角函数，可以说是非常巧妙了，我们来慢慢分析。上代码！

import matplotlib.pyplot as plt
import math
def positional_enc(i,pos):
return math.sin(pos /10000**(i/100))
x = []
for idx in range(10):
    tmp_x = list(range(1,100))
    tmp_y = [positional_enc(i, idx) for i in tmp_x]
    plt.plot(tmp_x,tmp_y,label=str(idx))
plt.legend(loc = 'upper right')
plt.show()

代码跑出来是这样的：

横坐标是维数上的每个值，纵坐标是对应的sin值，图例对应句子中的每个位置。

首先看维数位置-sin值之间的关系，很明显，我们没有发现周期性，最终往0处收敛，我们也可以知道了，在这种emcoding下，其实维数没必要太高了。

而对于位置-sini值之间的关系，可以整个曲线是会朝着右边移动的，从权重角度看，实质上就是每一个维度都会有一个比较看重的句子位置，其他位置说白了就是不看了，而前面的甚至可能为负，主要原因是要抛弃以前的信息，这样多个维度就能把多个位置都当做了重点来看。

周期性去了哪里呢，其实在这里，再来上代码：

import matplotlib.pyplot as plt
import math
def positional_emb(i,pos):
return math.sin(pos /10000**(i/100))
tmp_x = list(range(20))
tmp_y = [positional_emb(10, i) for i in tmp_x]
plt.plot(tmp_x,tmp_y)
plt.show()

得到了有周期性的图。

周期性只体现在位置和整个函数结果的关系，而具体的波长，其实是由positional encoding向量决定的。

不得不说，这个函数的设计可谓是对现实场景有了十分充分的理解，抽象非常精准。

预测效果

首先来看看两种positional encoding的具体效果，来自transformer的对比。

主要看E、base和big。其实可以看到posiitional emb本身的效果其实还行，与base相当，说明还是有不小收益的。

来看看源码

原理是看完了，来看看源码吧。

def positional_encoding(inputs,
                        maxlen,
                        masking=True,
                        scope="positional_encoding"):
'''Sinusoidal Positional_Encoding. See 3.5
    inputs: 3d tensor. (N, T, E)
    maxlen: scalar. Must be >= T
    masking: Boolean. If True, padding positions are set to zeros.
    scope: Optional scope for `variable_scope`.
    returns
    3d tensor that has the same shape as inputs.
    '''
    E = inputs.get_shape().as_list()[-1] # static
    N, T = tf.shape(inputs)[0], tf.shape(inputs)[1] # dynamic
with tf.variable_scope(scope, reuse=tf.AUTO_REUSE):
# position indices
        position_ind = tf.tile(tf.expand_dims(tf.range(T), 0), [N, 1]) # (N, T)
# First part of the PE function: sin and cos argument
        position_enc = np.array([
[pos / np.power(10000, (i-i%2)/E) for i in range(E)]
for pos in range(maxlen)])
# Second part, apply the cosine to even columns and sin to odds.
        position_enc[:, 0::2] = np.sin(position_enc[:, 0::2])  # dim 2i
        position_enc[:, 1::2] = np.cos(position_enc[:, 1::2])  # dim 2i+1
        position_enc = tf.convert_to_tensor(position_enc, tf.float32) # (maxlen, E)
# lookup
        outputs = tf.nn.embedding_lookup(position_enc, position_ind)
# masks
if masking:
            outputs = tf.where(tf.equal(inputs, 0), inputs, outputs)
return tf.to_float(outputs)

本身公式上没有想象的复杂，但是这里面其实展现了很多python相关的技巧。

• 这里的计算并非全都使用的tf，对positionenc，前面用numpy进行计算，然后用embeddinglookup的方式引入。

• position_enc[:,0::2]和 position_enc[:,1::2]来自numpy语法，避免了写循环和条件语句就能够完成奇数偶数计算。

• 另外是有很多可能在各种教材或者教程中没有的函数工具，大家可以多看看学学。

• tf.AUTO_REUSE：批量化共享变量作用域的方法。

• tf.tile()：张量扩展，对当前张量内的数据进行一定规则的复制，保证输出张量维度不变。