常用5种位置编码方式总结（附论文出处与原理解析）

在使用 Transformer 或其他序列模型时，引入位置编码（Positional Encoding）是为了让模型捕捉 元素之间的位置关系或顺序信息。尤其在视觉、语言、推荐、视频等任务中，不同的位置编码方式适用于不同的场景。本文总结了几种常用的位置编码方式，附带其提出的论文出处、设计动机、核心原理与应用对象与物理意义，供大家参考。

---

1. Sinusoidal Positional Encoding

📄 论文出处

Attention is All You Need （Vaswani et al., 2017）
https://arxiv.org/abs/1706.03762

🎯 动机

Transformer 架构是无序的，为了提供 token 的位置信息，需要引入一个固定的位置编码。

⚙️ 原理

使用正弦/余弦函数编码位置信息：

$P{E}_{(pos,2i)}=\sin (pos/10000^{2i/d_{model}})$
$P{E}_{(pos,2i+1)}=\cos (pos/10000^{2i/d_{model}})$

• 不依赖训练
• 可推广到任意长度的序列

🧠 应用对象

• 自然语言处理（NLP）任务
• 小规模视觉任务（如ViT）

🧲 物理意义

这种正弦函数的形式使得不同位置之间的编码具有周期性和可微性，便于模型通过内积或注意力机制感知位置差异。类似于“波”的传播，每个位置都映射为一个独特的角度，使得相对位置具有可比较性。

---

2. Learnable Positional Encoding

📄 论文出处

• BERT4Rec (Sun et al., CIKM 2019) https://arxiv.org/abs/1904.06690
• ViT: An Image is Worth 16x16 Words https://arxiv.org/abs/2010.11929
• TimeSformer (NeurIPS 2021) https://arxiv.org/abs/2102.05095

🎯 动机

固定编码方式（如 Sinusoidal）缺乏表达灵活性，不适应任务特异性的时间或空间关系。

⚙️ 原理

直接为每一个位置分配一个可学习的向量参数：

self.position_embedding = nn.Parameter(torch.zeros(1, max_len, embed_dim))

• 与 token embedding 同维度
• 可自动学习任务相关的位置关系

🧠 应用对象

• 用户行为序列建模
• 图像 patch 或视频帧序列建模（如 TimeSformer）
• 推荐系统、行为预测等非周期任务

🧲 物理意义

每个位置作为一个“锚点”，用独立的向量来表示其时空含义，类似在空间中打上标签。这种方法允许模型自动学习“某个时间步”或“某块区域”的独特意义，适应非周期或局部性强的任务。

---

3. 随机位置编码（注册为 buffer）

📄 论文出处

Segment Anything Model (SAM), Meta AI, 2023
https://arxiv.org/abs/2304.02643

🎯 动机

引入非结构化的、固定的空间位置信息，避免模型过拟合过度结构化的位置特征。

⚙️ 原理

初始化一个随机高斯矩阵（不参与训练），通过 register_buffer 固定：

pos = torch.randn(1, H, W, D)  # D 是嵌入维度
self.register_buffer("positional_encoding", pos)

• 保证每次调用一致
• 不更新，不依赖具体顺序结构

🧠 应用对象

• 图像语义分割（如 SAM）
• 空间感知任务

🧲 物理意义

这类位置编码可看作是对空间中每个位置赋予一个“纹理印记”，帮助模型区分像素块或区域的位置，而不引入任何偏见（如线性顺序）。其物理意义更偏向“空间随机初始化标签”。

---

4. Rotary Positional Encoding（RoPE）

📄 论文出处

RoFormer: Enhanced Transformer with Rotary Position Embedding (Su et al., 2021)
https://arxiv.org/abs/2104.09864

🎯 动机

实现 相对位置信息建模，提升对 token 顺序的微小变动的鲁棒性。

⚙️ 原理

将位置信息嵌入到 Q/K 中，并进行二维旋转变换：

$\text{RoPE}(x_t)=x_t^{\cos }+x_t^{\sin }$

• 保持嵌入空间结构
• 支持推理时 token 动态插入

🧠 应用对象

• 语言模型（如 LLaMA, GPT-NeoX）
• 任意需要相对顺序建模的 Transformer

🧲 物理意义

RoPE 相当于给特征向量应用一个“角度旋转”，将位置编码转化为空间旋转操作。其几何含义是：不同位置的特征处于不同角度，使得点积自带位置差异，适合捕捉相对距离和顺序。

---

5. 2D/Spatial Positional Encoding

📄 论文出处

• DETR: End-to-End Object Detection (Carion et al., ECCV 2020)
  https://arxiv.org/abs/2005.12872

🎯 动机

Transformer 应用于图像任务时，需要显式编码二维空间信息（x,y）。

⚙️ 原理

分别对 x 轴、y 轴进行 Sinusoidal 编码后拼接或加和：

$PE(x,y)=P{E}_x(x)+P{E}_y(y)$

也可学习二维编码矩阵：

self.spatial_pos_embedding = nn.Parameter(torch.zeros(1, H, W, embed_dim))

🧠 应用对象

• 目标检测（如 DETR）
• 图像生成/理解任务

🧲 物理意义

空间位置编码相当于为图像的每个像素块（或 patch）注入其二维坐标的“空间指纹”。这类似在地球上给每个城市分配经纬度，从而让模型识别“在哪发生了什么”。

---

🔚 总结对比表

编码方式	是否可学习	支持相对位置	推荐场景	提出论文
Sinusoidal	❌	部分支持	NLP/周期任务	Transformer 2017
Learnable	✅	❌	行为/推荐/视频任务	BERT4Rec, ViT
Random（buffer）	❌	❌	图像语义任务	SAM 2023
RoPE	✅/❌	✅	大模型/语言模型	RoFormer 2021
2D Spatial	✅/❌	❌	图像/目标检测	DETR 2020