当前位置：首页 > news >正文

多模态学习（三）—— ROPE位置编码：从理论到实践

news 来源：原创 2025/8/6 21:29:48

ROPE位置编码：从理论到LLaMA的实践

一、前言

ROPE（Rotary Positional Embedding，旋转位置编码）是一种通过旋转矩阵将位置信息融入Token Embedding的编码方法。相比传统Transformer的绝对位置编码，ROPE能更灵活地建模相对位置关系，被广泛应用于GPT-3.5/4、LLaMA等大模型。本文将介绍ROPE的必要性，公式以及推理过程。如果觉得有用，麻烦点个小小的赞，十分感谢~

📌 核心思想：通过旋转操作让模型直接"感知"Token之间的相对位置，而非依赖绝对位置编号。

二、位置编码的必要性

传统transformer概述

在理解ROPE之前，我们需要先回顾传统Transformer的运作机制：

首先，输入是一个长度为N的序列，表示为：
$S_N = {w_i}^N_{i=1}$
意为i从1到N的字符，比如“欢迎点赞关注！”就是一个输入序列。之后需要对该序列进行转换，转换为embedding向量，这是因为神经网络不能直接处理文字，只能处理数字。
这里我们取“求关注”这三个字，假设这三个字的embedding分别为：
在这里插入图片描述
我们就可以针对这三个字计算注意力分数，attention score，也就是 $\alpha$ ，这里的计算公式为 $softmax(\frac{QK^T}{\sqrt{d_k}})V\\ softmax(z_i) = \frac{e^{z_i}}{\sum^N_{K=1}e^{Z_K}}$
第一个公式是ransformer 模型中最核心的机制之一 —— “注意力机制（Attention Mechanism）” 的公式，用来计算token之间的关系。这里 $d_k$ 代表向量的维度，用来做缩放（避免过大数值造成梯度不稳定）。Q（Query），即查询向量，表示当前正在处理的词（或位置）的表示，K（Key），即键向量：表示输入中所有词（或位置）的特征。V（Value），即值向量：表示每个词携带的实际信息。接下来我们来逐步解释公式的含义：

$QK^T$ ：对每个查询（Query）向量和所有键（Key）向量计算相似度（点积），得到一个“注意力分数矩阵”。
$\frac{QK^T}{\sqrt{d_k}}$ ：将注意力分数进行缩放（缩放点积注意力），使得随着向量维度增大，分数不过大。
softmax(…)：将分数归一化为概率，决定 Query 对输入中每个位置应该“注意”多少。
乘以 V：将注意力权重应用于 Value 向量，加权求和，得到最终的注意力输出。

到这里，你可能会觉得非常抽象，难以理解，我们来做个类比就好懂很多了：
你是一个学生（Query），在考试前要复习（获取信息）。你采取的步骤是：

你根据每本书的标题（Key）判断它对考试的帮助程度（打分）。
然后你根据这些打分（softmax）决定分配多少时间复习每本书（Value）。
最后你将从每本书中获得的信息按分数加权合成自己的知识（输出）。

现在有没有好懂很多？这里Q, K, V的计算公式分别是：
$Q = W_qX\\ K = W_KX\\ V = W_VX$ 其中 $W_q$ ， $W_K$ 和 $W_V$ 都是可学习的参数。但是在接下来的示范中，为了方便引入ROPE，我们暂时先省略这几个参数。

自注意力机制的局限性

省略以上参数后，attention score的计算公式就变成了 $softmax(\frac{XX^T}{\sqrt{d_k}})X$ 根据该计算公式，我们一步步进行计算，如下图所示：
在这里插入图片描述

到 $softmax({XX^T}X)$ 这一步的时候，大家有没有发现什么问题？
当我们变化一下“求关注” 这三个字的顺序。从“求关注”到“求注关”，，那么注意力矩阵就会变成：

在人类语言中，一句话的含义会随着每个字的出现顺序而改变，但是在传统的注意力机制中，并没有考虑位置顺序这一点。从计算结果我们能看出，即使顺序进行了改变，经过Attention计算后，每一个字的embedding依旧是不变的，也就是Transformer 的注意力机制没有考虑过顺序对embedding的影响，仅靠 Attention(Q, K, V) 是看不出“谁在前谁在后”的，计算结果只依赖于 token embedding 的内容。
因此我们需要找到一个函数，入参是当前序列值x和其所在的位置i，返回结果会因为x和i不同而不同。这就是位置编码技术出现的初衷，及讲位置信息融入计算之中。

三、ROPE的数学原理

公式介绍

这一章节我们开始介绍ROPE的公式推导。为了方便理解，我们假设输入是二维向量，即 $x_m$ 和 $x_n$ 。那么公式为：
${x_m}^{\prime} = W_qx_me^{im\theta} = (W_qx_m)e^{im\theta} = q_me^{im\theta} \\ {x_n}^{\prime} = W_kx_ne^{in\theta} = (W_kx_n)e^{in\theta} = k_ne^{in\theta}\\ {x_m}^T{x_n}^{\prime} = (q_m^1\ q_m^2)\begin{pmatrix} cos((m-n)\theta) & -sin((m-n)\theta) \\ sin((m-n)\theta) & cos((m-n)\theta) \end{pmatrix}\begin{pmatrix} k_n^1 \\ k_n^2 \end{pmatrix}$

证明过程

接下来我们看这三个公式的证明，过程会比较繁琐，需要一点耐心走一遍：

首先我们之前设定了输入向量是二维的，那么初始计算公式为：
$q_m= \begin{pmatrix} W_q^{11} & W_q^{12} \\ W_q^{21} & W_q^{22} \\ \end{pmatrix}\begin{pmatrix} x_m^1 \\ x_m^2\\ \end{pmatrix} = \begin{pmatrix} q_m^1 \\ q_m^2\\ \end{pmatrix}$
二维向量可以表示为复数形式，因为向量的一个维度可以表示为一个坐标，类比到实数坐标和虚数坐标。那么可得：
$q_m=q_m^1 + iq_m^2$
运用欧拉公式可以得到：
$e^{im\theta} = cos(m\theta) + isin(m\theta)$
进行复数计算。考虑到 $i^2=-1$ ，可得：
$\begin{align*} q_me^{im\theta} & = (q_m^1+iq_m^2)(cos(m\theta)+isin(m\theta) )\\ & = (q_m^1cos(m\theta)-q_m^2sin(m\theta) + i(q_m^2cos(m\theta) + q_m^1sin(m\theta)) \\ \end{align*}$
针对最后这个公式，我们再次将其转换为二维向量：
$\begin{align*} {x_m}^{\prime} & = q_me^{im\theta} \\ & = (q_m^1cos(m\theta)-q_m^2sin(m\theta), \ q_m^2cos(m\theta) + q_m^1sin(m\theta))\\ &=\begin{pmatrix} cos(m\theta) & -sin(m\theta) \\ sin(m\theta) & cos(m\theta) \\ \end{pmatrix}\begin{pmatrix} q_m^1 \\ q_m^2 \end{pmatrix} \end{align*}$
类比到另一个输入 $x_n$ ，我们也可以同样有
$\begin{align*} {x_n}^{\prime} & = k_ne^{in\theta} \\ & = (k_n^1cos(n\theta)-k_n^2sin(n\theta), \ k_n^2cos(n\theta) + k_n^1sin(n\theta))\\ &=\begin{pmatrix} cos(n\theta) & -sin(n\theta) \\ sin(n\theta) & cos(n\theta) \\ \end{pmatrix}\begin{pmatrix} k_n^1 \\ k_n^2 \end{pmatrix} \end{align*}$
带入到内积中： $\begin{align*} {x_m}^T{x_n}^{\prime} & = \left( \begin{pmatrix} \cos(m\theta) & -\sin(m\theta) \\ \sin(m\theta) & \cos(m\theta) \\ \end{pmatrix} \begin{pmatrix} q_m^1 \\ q_m^2 \end{pmatrix} \right)^T \left( \begin{pmatrix} \cos(n\theta) & -\sin(n\theta) \\ \sin(n\theta) & \cos(n\theta) \\ \end{pmatrix} \begin{pmatrix} k_n^1 \\ k_n^2 \end{pmatrix} \right) \\ & = (q_m^1\ q_m^2) \begin{pmatrix} \cos(m\theta) & \sin(m\theta) \\ -\sin(m\theta) & \cos(m\theta) \\ \end{pmatrix} \begin{pmatrix} \cos(n\theta) & -\sin(n\theta) \\ \sin(n\theta) & \cos(n\theta) \\ \end{pmatrix} \begin{pmatrix} k_n^1 \\ k_n^2 \end{pmatrix}\\ & = (q_m^1\ q_m^2) \begin{pmatrix} \cos(m\theta)\cos(n\theta)+\sin(m\theta)\sin(n\theta) & -\cos(m\theta)\sin(n\theta)+\sin(m\theta)\cos(n\theta)\\ -\sin(m\theta)\cos(n\theta)+\cos(m\theta)\sin(n\theta) & \sin(m\theta)\sin(n\theta)+\cos(m\theta)\cos(n\theta)\\ \end{pmatrix} \begin{pmatrix} k_n^1 \\ k_n^2 \end{pmatrix}\\ & = (q_m^1\ q_m^2) \begin{pmatrix} \cos((m-n)\theta) & \sin((m-n)\theta))\\ -\sin((m-n)\theta) & \cos((m-n)\theta)\\ \end{pmatrix} \begin{pmatrix} k_n^1 \\ k_n^2 \end{pmatrix} \end{align*}$
恭喜！完成证明啦！另外证明方式不止这一种，你也可以去试试其他的方法~

多维度泛化

最后就是将这个公式从二维推向多维，听起来很复杂，其实很简单，只需要将多维数据两两拿出来用以上公示计算即可，如下图所示。
在这里插入图片描述
但是通过这种方式因为矩阵中大部分数字是0会导致多余的计算量，所以这个公式也可修改为等值的：

以下是优化后的表述建议，既保持了专业性又增强了可读性：

关于θ参数的说明

ROPE中的关键参数θ按照以下公式计算：
$\theta_i = 10000^{-2i/d} \quad (\text{其中}d\text{必须为偶数})$
设计原理：

维度分组：将d维嵌入向量划分为d/2个二维子空间
独立旋转：在每个二维子空间分别应用旋转矩阵
衰减设计：指数项的负号确保随着维度i增加，旋转角度逐渐减小
基数选择：10000作为经验值，平衡长短期依赖的捕捉能力

技术总结

ROPE通过优雅的数学设计，在保持计算效率的同时，完美解决了Transformer的位置感知难题，成为大模型位置编码的事实标准。