在 Transformer 模型中，位置编码（Positional Encoding）用于为输入序列中的每个元素提供位置信息，因为 Transformer 结构中没有像 RNN 或 CNN 那样的机制来捕捉序列中的顺序。位置编码通过为序列的每个位置生成一个唯一的向量，使模型能够区分不同位置的元素，并感知它们的相对顺序。
以下是 Transformer 中位置编码的详细介绍：
1. 位置编码的必要性
Transformer 模型主要基于自注意力（Self-Attention）机制，它会将序列中的所有元素同时处理，计算它们之间的全局关系。然而，标准的自注意力机制是“无序”的，即无法隐式地理解输入序列中元素的顺序。因此，Transformer 需要一种机制来在输入数据中引入位置信息，以便模型学习到序列的顺序。
位置编码为每个序列位置生成一个固定的向量，将其添加到输入的嵌入（embedding）中，帮助模型感知元素的相对位置。
2. 正弦-余弦位置编码的公式
在 Transformer 论文《Attention Is All You Need》中，位置编码是一种基于正弦和余弦函数的固定位置编码方法，其公式为：
对于序列中的位置 pospos 和位置编码的维度 i：
其中：
- pos 是序列中位置的索引（例如，第 0 个元素、1 个元素等）。
- i是位置编码维度的索引。