前文，我们已经构建了一个小型的字符级语言模型，是在transformer架构基础上实现的最基本的模型，我们肯定是希望对该模型进行改进和完善的。所以我们的另外一篇文章也从数据预处理、模型架构、训练策略、评估方法、代码结构、错误处理、性能优化等多个方面提出具体的改进点，但是还没有实现以及评估。接下来，我们就从最核心的模型架构开始，对模型进行改进，其中之一就是嵌入层的位置编码。

        本文是在我前文的基础上讲解的：从零开始构建一个小型字符级语言模型的详细教程（基于Transformer架构）之一数据准备-CSDN博客

从零开始构建一个小型字符级语言模型的完整python示例代码-CSDN博客

        以下是关于Sinusoidal位置编码、RoPE（旋转位置编码）和可学习嵌入的详细介绍及其区别，以及它们如何增强位置感知能力。

一、Sinusoidal位置编码

1.原理

        Sinusoidal位置编码是Transformer原论文中提出的固定式编码方法，通过正弦和余弦函数的组合生成位置向量。其公式为：

        其中，是位置索引（从0开始），是维度索引（从0到），是模型维度（编码向量的总长度）。

        具体来说，这种编码方式能够捕捉到不同位置之间的相对距离，因为正弦和余弦函数具有周期性，可以表示相对位置的信息。不过，因为是固定的，可能无法适应不同任务或数据的特点。

2.特点

（1）固定性：无需训练参数，直接通过数学公式生成。

（2）相对位置感知：由于三角函数的性质，不同位置的编码之间可以通过线性变换表示相对距离。

（3）长序列友好：周期性设计使其能泛化到训练时未见过的位置。

3.适用场景

（1）数据量较少或需要模型快速收敛的任务。

（2）需要处理超长序列的场景（如文档级文本生成）。

        具体详细内容可以看我的文章：transformer架构嵌入层位置编码之Sinusoidal位置编码及简单实现示例-CSDN博客

二、RoPE（Rotary Position Embedding，旋转位置编码）

1.原理

        RoPE通过旋转矩阵将位置信息融入注意力机制中，将绝对位置编码转化为相对位置的旋转操作。对于位置m和n的查询向量和键向量，RoPE通过旋转操作引入位置相关性：

        其中，是旋转矩阵，编码了位置差的信息。

        具体来说，对于每个位置的向量，RoPE会应用一个旋转矩阵，使得内积运算能够自然地包含相对位置信息。这种方法在保持序列长度的同时，增强了模型对位置关系的建模能力，尤其是在处理长序列时表现更好。RoPE似乎结合了绝对位置和相对位置的优点，同时可能更容易优化。

2.特点

（1）显式相对位置编码：通过旋转矩阵直接建模相对位置关系。

（2）结构灵活性：支持自注意力机制中的相对位置偏置。

（3）计算高效：旋转操作可融合到注意力计算中，无需额外参数。

3.适用场景

（1）需要精确建模长距离依赖的任务（如对话生成、长文本理解）。

（2）对计算效率要求较高的场景。

        具体详细内容可以看我的文章：transformer架构嵌入层位置编码之RoPE旋转位置编码及简单实现示例-CSDN博客