旋转位置编码与SwiGLU解析详解

对于一个科技周边开发者来说，牢固扎实的基础是十分重要的，golang学习网就来带大家一点点的掌握基础知识点。今天本篇文章带大家了解《大模型架构：旋转位置编码与SwiGLU解析》，主要介绍了，希望对大家的知识积累有所帮助，快点收藏起来吧，否则需要时就找不到了！

RoPE / SwiGLU

前言

✍ 上一篇我们把现代大模型的两件“基础设施”——GQA 注意力 和 RMSNorm + Pre-Norm 细讲了一遍，从多头注意力的演化一路讲到归一化的升级。这一篇，我们就顺势把剩下的两件标配武器补上：

RoPE（Rotary Positional Embedding）：解决“长上下文 + 相对位置建模”的问题；SwiGLU 前馈网络：解决“FFN 表达力与训练稳定性”的问题。

---

一、位置编码

1.1 绝对位置编码——三角函数编码

在最早的 Transformer 里，模型本身对“顺序”是没有感觉的，它只看到一串向量 ： x_1, x_2, \dots, x_L \in \mathbb{R}^{d_{\text{model}}} 。他并不像RNN、LSTM一样具备循环机制，因此对于位置信息是不敏感。为了让模型知道“谁在前谁在后”，Transformer 直接给每个位置加了一个位置向量 PE_{pos}

\tilde{x}_{pos} = x_{pos} + PE_{pos}

Transformer 原始论文里的做法采用了三角函数位置编码:

PE_{(pos, 2i)} = \sin\left(\frac{pos}{10000^{2i/d_{\text{model}}}}\right),\quad PE_{(pos, 2i+1)} = \cos\left(\frac{pos}{10000^{2i/d_{\text{model}}}}\right))

三角函数编码是绝对位置编码其中一种经典实现方式，用固定的 sin/cos 函数给每个绝对位置生成向量，方便模型外推到更长序列。

绝对 PE 的好处是实现很简单，但也有两点局限：

它更偏向“绝对位置”：第 10 个 token 和第 20 个 token 的位置向量完全不同；对于超长上下文，learned pos embedding 很难直接外推，sin-cos 虽然能算，但模型未必学会用。

---

? 读到这里，读者可能会有点疑惑，为什么在前面说了 ① 三角函数编码方便模型外推到更长序列， 但是后面又说了② 对于超长上下文，learned pos embedding 很难直接外推，sin-cos 虽然能算，但模型未必学会用。

① 对 learned pos embedding 来说，当我们只训练了 max_len = 2048，那 embedding table 里就只有 0～2047 这些 index；想用到 4096-long 序列时，根本没有 PE[3000] 这一行可用，得重新插值/扩表。但是，当我们采用了三角函数的位置编码时， 想算 pos=4096、pos=10000 都随时能算，从“函数定义”角度确实更“可外推”。② 明确表示了sin-cos 虽然能算，但模型未必学会用，对远超训练长度的位置（比如 8192）对应的正弦相位组合，模型可能根本没“学会如何解读”；

因此这里根本不会自相矛盾，用一句土话讲就是“可以但没用的外推”。

代码实现

import mathimport torchimport torch.nn as nnclass RotaryEmbedding(nn.Module):    """    RoPE 位置编码模块：    - 只负责根据 head_dim + seq_len 生成 cos/sin    - 不直接改 Q/K，在外面用 apply_rotary_pos_emb 处理    """    def __init__(self, head_dim: int, max_position_embeddings: int = 4096, base: float = 10000.0):        super().__init__()        assert head_dim % 2 == 0, "head_dim 必须是偶数，才能两两配对旋转"        self.head_dim = head_dim        self.max_position_embeddings = max_position_embeddings        # inv_freq: [head_dim/2]        # 对应论文里的 1 / base^{2i/d}        inv_freq = 1.0 / (base ** (torch.arange(0, head_dim, 2, dtype=torch.float32) / head_dim))        self.register_buffer("inv_freq", inv_freq)  # 不参与训练        # 预先算好最大长度的 cos/sin，后面按 seq_len 切片        self._build_cache(max_position_embeddings)    def _build_cache(self, max_seq_len: int):        # t: [max_seq_len]        t = torch.arange(max_seq_len, dtype=torch.float32, device=self.inv_freq.device)        # freqs: [max_seq_len, head_dim/2]        freqs = torch.einsum("i,j->ij", t, self.inv_freq)        # 扩成 [max_seq_len, head_dim]        emb = torch.cat((freqs, freqs), dim=-1)        self.register_buffer("cos_cached", emb.cos()[None, None, :, :])  # [1,1,L,D]        self.register_buffer("sin_cached", emb.sin()[None, None, :, :])  # [1,1,L,D]    def forward(self, seq_len: int, device=None):        """        返回:        cos, sin: [1, 1, seq_len, head_dim]        """        if seq_len > self.max_position_embeddings:            # 超过预设长度就重建缓存（简单写法，够用）            self.max_position_embeddings = seq_len            self._build_cache(seq_len)        cos = self.cos_cached[:, :, :seq_len, :]  # [1,1,L,D]        sin = self.sin_cached[:, :, :seq_len, :]  # [1,1,L,D]        if device is not None:            cos = cos.to(device)            sin = sin.to(device)        return cos, sindef rotate_half(x: torch.Tensor) -> torch.Tensor:    """    将最后一维两两配对做 (x1, x2) -> (-x2, x1)    x: [..., D] 且 D 为偶数    """    x1, x2 = x.chunk(2, dim=-1)    return torch.cat([-x2, x1], dim=-1)def apply_rotary_pos_emb(x: torch.Tensor,                         cos: torch.Tensor,                         sin: torch.Tensor) -> torch.Tensor:    """    RoPE 旋转操作：    x:   [B, H, L, D]    cos: [1, 1, L, D]    sin: [1, 1, L, D]    """    # 广播到 [B,H,L,D]    return x * cos + rotate_half(x) * sinclass RoPEMultiHeadAttention(nn.Module):    """    带 RoPE 的多头注意力：    - 输入 / 输出: [B, L, d_model]    - 内部: 拆成 [B, H, L, Dh]，对 Q/K 应用 RoPE    """    def __init__(self, d_model, num_heads, dropout=0.0,                 max_position_embeddings: int = 4096):        super().__init__()        assert d_model % num_heads == 0        self.d_model = d_model        self.num_heads = num_heads        self.head_dim = d_model // num_heads        self.w_q = nn.Linear(d_model, d_model)        self.w_k = nn.Linear(d_model, d_model)        self.w_v = nn.Linear(d_model, d_model)        self.w_o = nn.Linear(d_model, d_model)        self.dropout = nn.Dropout(dropout)        # RoPE 模块，专门生成 cos/sin        self.rotary_emb = RotaryEmbedding(            head_dim=self.head_dim,            max_position_embeddings=max_position_embeddings        )    def forward(self, x, attn_mask=None):        """        x: [B, L, d_model]        attn_mask: [B, 1, L, L] 或 [B, L, L]，为 0 的位置会被 mask 掉        """        B, L, _ = x.size()        device = x.device        # 1. 线性投影        Q = self.w_q(x)  # [B, L, d_model]        K = self.w_k(x)        V = self.w_v(x)        # 2. 拆成多头 [B, H, L, Dh]        def split_heads(t):            return t.view(B, L, self.num_heads, self.head_dim).transpose(1, 2)        Q = split_heads(Q)  # [B, H, L, Dh]        K = split_heads(K)        V = split_heads(V)        # 3. 生成 RoPE 的 cos/sin，并作用在 Q/K 上        cos, sin = self.rotary_emb(seq_len=L, device=device)  # [1,1,L,Dh]        Q = apply_rotary_pos_emb(Q, cos, sin)  # [B,H,L,Dh]        K = apply_rotary_pos_emb(K, cos, sin)        # 4. 缩放点积注意力        scores = Q @ K.transpose(-2, -1) / (self.head_dim ** 0.5)  # [B,H,L,L]        if attn_mask is not None:            # 根据你项目里 attn_mask 的形状调整，这里假设 0 的地方是 mask 掉            if attn_mask.dim() == 3:                attn_mask = attn_mask.unsqueeze(1)  # [B,1,L,L]            scores = scores.masked_fill(attn_mask == 0, float('-inf'))        attn = torch.softmax(scores, dim=-1)        attn = self.dropout(attn)        out = attn @ V  # [B,H,L,Dh]        # 5. 合并多头        out = out.transpose(1, 2).contiguous().view(B, L, self.d_model)        out = self.w_o(out)  # [B,L,d_model]        return outclass SwiGLUFFN(nn.Module):    def __init__(self, d_model, d_ff=4096, dropout=0.1):        super().__init__()        self.w1 = nn.Linear(d_model, 2 * d_ff)  # gate + value        self.w2 = nn.Linear(d_ff, d_model)        self.dropout = nn.Dropout(dropout)    def forward(self, x):        x_proj = self.w1(x)                    # [B, L, 2*d_ff]        gate, value = x_proj.chunk(2, dim=-1)  # [B,L,d_ff] x2        x = torch.nn.functional.silu(gate) * value  # SwiGLU        x = self.w2(self.dropout(x))        return xclass RMSNorm(nn.Module):    def __init__(self, d_model, eps=1e-8):        super().__init__()        self.weight = nn.Parameter(torch.ones(d_model))        self.eps = eps    def forward(self, x):        # x: [B,L,d_model]        rms = x.pow(2).mean(dim=-1, keepdim=True).add(self.eps).sqrt()        x_norm = x / rms        return self.weight * x_normclass DecoderBlockWithRoPE(nn.Module):    """    现代 LLM 风格的 Decoder Block：    - RoPE + MHA    - RMSNorm + Pre-Norm    - SwiGLU FFN    """    def __init__(self, d_model, num_heads, d_ff=4096,                 dropout=0.1, max_position_embeddings: int = 4096):        super().__init__()        self.self_attn = RoPEMultiHeadAttention(            d_model=d_model,            num_heads=num_heads,            dropout=dropout,            max_position_embeddings=max_position_embeddings,        )        self.ffn = SwiGLUFFN(d_model, d_ff, dropout)        self.norm1 = RMSNorm(d_model)        self.norm2 = RMSNorm(d_model)        self.dropout = nn.Dropout(dropout)    def forward(self, x, attn_mask=None):        """        x: [B, L, d_model]        """        # 1) Pre-Norm + RoPE Self-Attention        h = self.norm1(x)        attn_out = self.self_attn(h, attn_mask=attn_mask)        x = x + self.dropout(attn_out)        # 2) Pre-Norm + SwiGLU FFN        h = self.norm2(x)        ffn_out = self.ffn(h)        x = x + self.dropout(ffn_out)        return x

四、总结

这一篇我们把另外两件标配武器补齐了：

RoPE：不再给输入加位置向量，而是在 Q/K 空间对每对维度做“旋转”，让注意力点积天然依赖相对位置差，更适合长上下文与外推；SwiGLU：给 FFN 加上一扇“门”，用 gate × value 的方式在通道维度上做细粒度控制，在相似参数量下比普通 GELU/ReLU FFN 更有表达力、训练更稳定。

到这里，已经把“现代 LLM 架构四件套：GQA / RoPE / SwiGLU / RMSNorm + Pre-Norm”串成一个整体故事了。

本篇关于《旋转位置编码与SwiGLU解析详解》的介绍就到此结束啦，但是学无止境，想要了解学习更多关于科技周边的相关知识，请关注golang学习网公众号！