AI說書 - 從0開始 - 45

我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。

延續AI說書 - 從0開始 - 44說完 Embedding ，下一步就是闡述 Positional Embedding，其於原始 Transformer 架構中的角色如下：

原始 Transformer 模型期望始終維持單一向量維度，亦即 d_model = 512 ，所以這個向量必須要包含 Input Embedding 與 Positional Encoding 兩個資訊。

到底什麼叫做位置資訊呢，回到我們的例子：「The black cat sat on the couch and the brown dog slept on the rug」，之前說 Embedding 已經有能耐賦予 「black」和「brown」這兩個顏色字詞相近的向量，然而這兩個字有著截然不同的位置資訊，「black」這個字的 pos = 2 ，而「brown」這個字的 pos = 10。

在原始 2017 年 Google 提出的 Transformer 模型中使用的 Positional Encoding (PE) 方式為：