Diffusion模型中时间t嵌入的方法

Diffusion模型中时间t嵌入的方法

class PositionalEmbedding(nn.Module):
    def __init__(self, dim, scale=1.0):
        super().__init__()
        assert dim % 2 == 0
        self.dim = dim
        self.scale = scale

    def forward(self, x):
        device = x.device
        half_dim = self.dim // 2
        emb = math.log(10000) / half_dim
        emb = torch.exp(torch.arange(half_dim, device=device) * -emb)
        # x * self.scale和emb外积
        emb = torch.outer(x * self.scale, emb)
        emb = torch.cat((emb.sin(), emb.cos()), dim=-1)
        return emb

我们用 dim=128 和 x=[10, 12, 16, 100] 来具体计算 PositionalEmbedding 的输出。

---

1. 设定参数

• dim=128，意味着嵌入向量的维度是 128。
• half_dim = dim // 2 = 64，所以我们需要计算 64 个频率因子的正弦和余弦值。
• x = [10, 12, 16, 100] 是输入值。

---

2. 计算频率因子

emb = math.log(10000) / half_dim  # 计算缩放因子
emb = torch.exp(torch.arange(half_dim) * -emb)  # 生成 64 维的指数频率因子

• math.log(10000) ≈ 9.2103
• emb = torch.exp(torch.arange(64) * (-9.2103 / 64))
• torch.arange(64) 生成 [0, 1, 2, ..., 63]，然后乘以 -emb，再计算指数 exp，得到 64 个递减的频率因子。

---

3. 计算外积

emb = torch.outer(x * self.scale, emb)

• 计算 x * self.scale，如果 scale=1.0，那么 x 仍然是 [10, 12, 16, 100]。
• emb 是一个 4 × 64 的矩阵，每一行表示 x[i] 乘以 emb 里的每个频率因子。

假设 emb（频率因子）前 5 个数是：

[1.0000, 0.9120, 0.8318, 0.7586, 0.6918, ...]

那么 x=10 这一行计算结果是：

[10.0000, 9.1200, 8.3180, 7.5860, 6.9180, ...]

---

4. 计算正弦和余弦

emb = torch.cat((emb.sin(), emb.cos()), dim=-1)

• 先对 emb 取 sin，然后取 cos，最后拼接，得到 4 × 128 的矩阵。

如果 sin(10.0000) ≈ -0.5440，cos(10.0000) ≈ -0.8391，那么 x=10 这一行最终变成：

[-0.5440, 0.4120, 0.9890, 0.9870, -0.9912, ... | -0.8391, 0.9111, -0.1479, 0.1603, -0.1321, ...]

其中，前 64 维是 sin 计算结果，后 64 维是 cos 计算结果。

---

5. 最终输出

如果 x = [10, 12, 16, 100]，输出 emb 是 4 × 128 的矩阵：

tensor([
    [-0.5440,  0.4120,  0.9890,  0.9870, -0.9912, ..., -0.8391,  0.9111, -0.1479,  0.1603, -0.1321, ...],
    [-0.5366,  0.4576,  0.9941,  0.9891, -0.9954, ..., -0.8437,  0.9005, -0.1085,  0.1521, -0.1242, ...],
    [-0.5215,  0.5321,  0.9971,  0.9922, -0.9986, ..., -0.8524,  0.8804, -0.0563,  0.1423, -0.1113, ...],
    [-0.5064,  0.8658, -0.9813,  0.9989,  0.9924, ..., -0.8849,  0.7912,  0.1951,  0.0234, -0.9811, ...],
])

• 每一行对应输入 x 的一个数的 128 维位置编码。
• 其中前 64 维是 sin(x * 频率)，后 64 维是 cos(x * 频率)。
• x=100 时，周期性更明显，因为 sin 和 cos 是周期函数，大的 x 会导致编码的模式周期性更强。

---

6. 总结

• 这个位置编码会为 x 生成一个 128 维的向量，每个维度都由 sin 和 cos 计算得到。
• x 变大时，周期性更明显。
• 适用于 Transformer 或其他模型，以在输入数据中添加位置信息，使模型能够区分不同位置的输入数据。