深度学习中位置编码的本质是不是就是一层 nn.Parameter()而已？

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

• 请不要在回答技术问题时复制粘贴 AI 生成的内容

这是一个创建于 883 天前的主题，其中的信息可能已经有所发展或是发生改变。

近日阅读 Bert 源码，读到其中所谓“可训练式”的位置编码的部分，似乎具体实现就是初始化一个可训练的，然后把它加到输入上，这就算是可训练的位置编码了。

def __init__(self):
    super()
    positional_encoding = nn.Parameter()
def forward(self, x):
    x += positional_encoding

我不太能确定是否就是这么简单，还是我理解错了。

另外我注意到按照经典 Bert 的实现:

BertModel(
  (embeddings): BertEmbeddings(
    (word_embeddings): Embedding(30522, 768, padding_idx=0)
    (position_embeddings): Embedding(512, 768)
    (token_type_embeddings): Embedding(2, 768)
    (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
    (dropout): Dropout(p=0.1, inplace=False)
  )
  (encoder): BertEncoder(
    (layer): ModuleList(
      (0): BertLayer(...)
      ...
  (pooler): BertPooler(...)

实际上它只进行了一次 positional_embedding ，也就是在输入的时候，这是否意味着实际上所谓的能把握序列信息的也只有第一层，后面的 bert 层是无法识别位置信息的？

但是这么说的话，按照我上一个帖子的内容 https://v2ex.com/t/868398#reply5 ，bert 的输出根据设置一般有两部分，一部分是类似原始输入序列长度对应长度的数组，表示每个字经过特征提取后的消息，另一部分是一个表示全句子整体信息的层。理论上前者应该与输入是一一对应的，但是它都不能捕捉位置，这不是很矛盾吗

embedding

bert

编码

dropout

7 条回复 • 2022-07-27 07:32:13 +08:00

ox180

2022-07-26 08:59:35 +08:00

1 、position_embeddings 是把句子的位置信息加进去，self-attention 是为了学习语义信息。如果不管句子顺序如何，后面 self-attention 输出都一样。另外 position_embeddings 是 bert 的做法，transformer 是用的正余弦编码，关于位置编码，你还可以了解下绝对位置编码和相对位置编码。

2 、bert 输出有两个，一个是[CLS]位置所代表的句子信息，其实你看了源码就知道，这个无非是多增加其他层进行训练了罢了，你可以不用，直接用 seq_output 。捕捉位置在最开始 position_embeddings 已经学到了。

ecwu

2022-07-26 11:41:45 +08:00

- 位置编码在输入时加在了词嵌入中，模型里的 Transformer Block 都有残差链接，这样位置的信息也可以传递到后面的层，被后面的层“把握”。

- 输出的“整体信息”和每个输入 token 的 embedding （ embedding 也就是你说的特征提取后的信息）都在一个输出层上。一般认为插入在句子输入最前面的 [CLS] token 对应的 embedding 包含了后面输入句子的全部信息，这里的原因是在 BERT 的 NSP 预训练任务时，会拿 [CLS] 位置的 embedding 来预测输入的两句话的先后关系，这样 Self-Attention 的过程就会把后面的句子的信息集中到 [CLS] 的位置的 embedding 中。所以加入的 CLS token 并不是说人为加入了一个全局信息。

- 如果你要把 BERT 用在自己的回归任务上，可以只将预训练的 BERT 当作一个获取词嵌入的工具。也就是在 BERT layer 的输出给到回归任务的输入。但具体用 BERT layer 的全局 embedding （[CLS] 位置输出），还是取输入 token embedding 的平均，都可以尝试。

Richard14

2022-07-27 00:22:57 +08:00

@ecwu 好的，我原先不是很确定 bert 的输出含义，比如 bert layer*n 结束后它输出是一个 cls+n 个 token 的特征信息，有一种模糊的感觉是这样但是不能确定，网上信息里对大体原理讲述的比较多，涉及具体行为的比较少，尤其涉及具体预训练细节的几乎没有。

按照你的说法我的一个想法是，如果 bert 的输出可以认为是一个高级版 word2vec 的话，所有 token embedding 取平均感觉逻辑上不太能说得通，也许我应该测试在输出结束后再接一层 rnn 之类的。。如果不接 rnn 的话，是不是应该尝试将结果再进行位置编码再进入 mlp ，因为 bert 输出的 token 有应该不是前后顺序完全不影响的吧。。是不是还是应该有位置因素

ecwu

2022-07-27 00:59:17 +08:00 via Android

@Richard14 你可以理解 BERT 给出的 embedding 是高级版 w2v （严谨点是叫 contextual word embedding ，也就是同一个词，在不同的上下文里，embedding 是不同的，不同于 w2v 或者 GloVe 学习完就是固定的）

取平均来获得输入的全局的表示确实会损失隐式信息，但是 CLS 位置 embedding 是通过 self-attention 获得的，本质上就是对 token embedding 的加权平均。所以用 CLS 还是取平均，需要看具体的任务是干什么。

如果你是对输入句子做分类或输出浮点数，你可以考虑直接拿 CLS 位置的 embedding 给到 MLP 。如果是继续生成内容，可以去了解下 Seq2seq 架构。

最后你提到的 RNN 或者 MLP + 位置编码的想法。我个人认为 RNN 可以尝试。而 MLP 方案，你的输入会过于巨大（ 768 * token 长度），不太可行。

Richard14

2022-07-27 06:26:30 +08:00

@ecwu 谢谢，很有帮助，确实是太大了

Richard14

2022-07-27 06:32:09 +08:00

@ecwu 对了大佬我还想问一下关于预训练，因为我的文本是脱敏的没法直接用成品我需要自己训练，我没太搞懂多任务训练训练是实践上怎么结合起来的。它原论文有 mlm 和 nsp 两种方式，正确的做法是比如我先构建模型和对应 mlm 的输出，把它训练到类似收敛，然后再把输出层换成 nsp 的再重新训练到收敛，这样先后训练算是经过两个预训练吗，还是说它有什么交替训练的办法。如果有顺序的话会不会导致结果差异

ecwu

2022-07-27 07:32:13 +08:00 via Android

@Richard14 不同预训练任务是替换不同的输出层，这里你可以参考下原论文。预训练任务的顺序会导致模型效果的差异。

使用 HuggingFace 来训练自己的模型可以参考 https://stackoverflow.com/questions/65646925/how-to-train-bert-from-scratch-on-a-new-domain-for-both-mlm-and-nsp