揭秘大模型的魔法：RoPE(旋转位置编码)是怎么让 AI 记住“前后左右”的？

大家好，我是写代码的中年人！本章我们介绍RoPE的概念，为后续的模型实现打好基础知识。在大模型中，怎么知道一个词在句子里是第几个？这就像是：“你看一本书的时候，怎么知道这一句话是在第一页还是最后一页？”

嗯……要是没有“位置感”，模型看到的只是一个个孤立的词向量，就像你看一本书时只看到拆散的字母。

早期 Transformer 用的是正弦位置编码(Sinusoidal Positional Encoding)，相当于在每个单词的向量里混入一点“坐标信号”，让模型知道它在句子里的位置。
但这玩意有个小问题：它是直接加在词向量上的，像在纸条上贴标签模型能用，但对长文本、超长依赖不太友好，而且它的“旋律”是固定的，灵活性有限，后来人们发明了 RoPE(Rotary Position Embedding)，中文名“旋转位置编码”，它干的事情很酷：不是直接给你贴标签，而是给你旋转一个角度。

01

什么是RoPE

比如我们在组织一场广场舞，舞者(词向量)站在一个圆圈上，每两人一组。音乐响起时，每组舞者按自己的节奏旋转：第一组慢转(低频，0°、10°、20°……)，第二组稍快(30°、60°、90°……)，以此类推。
模型通过比较两组舞者的相对旋转角度(相位差)，就能知道他们离得多远，角度差越大，距离越远。旋转是连续的，即使新舞者加入(序列变长)，他们也能按同样规则旋转，模型无需重新学习，就能判断新舞者的位置。
这就是RoPE的厉害之处：通过旋转的相位编码位置，高效捕捉相对距离，还能适应超长序列！

02

RoPE数学公式

在自注意力里，Q（查询向量）和 K（键向量）要做点积：

RoPE 的思路是：
在做这个点积前，先把 Q、K 各自旋转一下：这里的 R(θ) 是一个二维旋转矩阵（其实是对向量的每一对分量旋转）：而 θ 跟位置 p 有关，比如：α是不同维度的频率参数，就像正弦编码那样安排。

结果是什么？

相对位置关系自然保留：Q 和 K 的旋转差值就是它们的相对位置

外推能力强：没见过的长序列也能用，因为旋转是周期性的

03

用代码实现RoPE

# -*- coding: utf-8 -*-import torchimport torch.nn as nnimport torch.nn.functional as Fimport torch.optim as optimimport jiebaimport matplotlib.pyplot as pltimport numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei']  # 中文字体plt.rcParams['axes.unicode_minus'] = False
# ===== 准备《水浒传》样本文本 =====text_samples = [    """张天师祈禳瘟疫，洪太尉误走妖魔。话说大宋天子仁宗皇帝在位年间，       京师瘟疫流行，百姓多有染病。天子召张天师入宫祈禳，命洪太尉押送香火，       不料误开封印，放出妖魔。""",    """王教头私走延安府，九纹龙大闹史家村。史进自幼好武，学成十八般武艺，       因打死恶霸，被官府缉拿。王进教头见势不妙，离开东京前往延安府，       途经史家村。""",    """史大郎夜走华阴县，鲁提辖拳打镇关西。史进与鲁达结义，路遇镇关西郑屠，       见其欺压妇女，鲁达愤然出手，三拳打死郑屠，遂落草为寇。"""]
# ===== 中文分词 =====def tokenize_texts(text_list):    tokenized = []    for t in text_list:        words = list(jieba.cut(t))        words = [w.strip() for w in words if w.strip()]        tokenized.append(words)    return tokenized
sentences = tokenize_texts(text_samples)
# ===== 构建词表 =====vocab = {}for sent in sentences:    for w in sent:        if w not in vocab:            vocab[w] = len(vocab)vocab["<PAD>"] = len(vocab)
vocab_size = len(vocab)embed_dim = 32seq_len = max(len(s) for s in sentences)
# 将句子转为索引，并paddef encode_sentences(sentences, vocab, seq_len):    data = []    for s in sentences:        idxs = [vocab[w] for w in s]        if len(idxs) < seq_len:            idxs += [vocab["<PAD>"]] * (seq_len - len(idxs))        data.append(idxs)    return torch.tensor(data)
input_ids = encode_sentences(sentences, vocab, seq_len)
# ===== RoPE实现 =====def apply_rope(x):    """    支持输入维度:      - (B, T, D)  或      - (B, T, H, D)    返回相同形状，且对最后一维做 RoPE（要求 D 为偶数）    """    orig_shape = x.shape    if len(orig_shape) == 3:        # (B, T, D) -> 转为 (B, T, 1, D) 方便统一处理        x = x.unsqueeze(2)        squeezed = True    else:        squeezed = False        # 形状为 (B, T, H, D)    # 现在 x.shape = (B, T, H, D)    bsz, seqlen, nheads, head_dim = x.shape    assert head_dim % 2 == 0, "head_dim must be even for RoPE"
    device = x.device    dtype = x.dtype
    half = head_dim // 2    # theta: (half,)    theta = 10000 ** (-torch.arange(0, half, device=device, dtype=dtype) / half)  # (half,)    # seq positions: (seqlen,)    seq_idx = torch.arange(seqlen, device=device, dtype=dtype)  # (seqlen,)    # freqs: (seqlen, half)    freqs = torch.einsum('n,d->nd', seq_idx, theta)
    cos = freqs.cos().view(1, seqlen, 1, half)  # (1, T, 1, half)    sin = freqs.sin().view(1, seqlen, 1, half)  # (1, T, 1, half)
    x1 = x[..., :half]  # (B, T, H, half)    x2 = x[..., half:]  # (B, T, H, half)
    x_rotated = torch.cat([x1 * cos - x2 * sin,                           x1 * sin + x2 * cos], dim=-1)  # (B, T, H, D)
    if squeezed:        x_rotated = x_rotated.squeeze(2)  # back to (B, T, D)
    return x_rotated

# ===== 多头注意力 with RoPE =====class MultiHeadSelfAttentionRoPE(nn.Module):    def __init__(self, embed_dim, num_heads, dropout=0.1):        super().__init__()        self.embed_dim = embed_dim        self.num_heads = num_heads        self.head_dim = embed_dim // num_heads        self.dropout = dropout
        self.q_proj = nn.Linear(embed_dim, embed_dim)        self.k_proj = nn.Linear(embed_dim, embed_dim)        self.v_proj = nn.Linear(embed_dim, embed_dim)        self.out_proj = nn.Linear(embed_dim, embed_dim)
        self.last_attn_weights = None
    def forward(self, x):        B, T, C = x.size()        q = self.q_proj(x).view(B, T, self.num_heads, self.head_dim)        k = self.k_proj(x).view(B, T, self.num_heads, self.head_dim)        v = self.v_proj(x).view(B, T, self.num_heads, self.head_dim)
        # 应用 RoPE        q = apply_rope(q)        k = apply_rope(k)
        # 注意力计算        attn_scores = torch.einsum('bthd,bshd->bhts', q, k) / (self.head_dim ** 0.5)        attn_weights = F.softmax(attn_scores, dim=-1)        attn_weights = F.dropout(attn_weights, p=self.dropout, training=self.training)        self.last_attn_weights = attn_weights.detach()
        out = torch.einsum('bhts,bshd->bthd', attn_weights, v)        out = out.reshape(B, T, C)        return self.out_proj(out)
# ===== 模型训练 =====embedding = nn.Embedding(vocab_size, embed_dim)model = MultiHeadSelfAttentionRoPE(embed_dim, num_heads=4, dropout=0.1)criterion = nn.MSELoss()optimizer = optim.Adam(list(model.parameters()) + list(embedding.parameters()), lr=1e-3)
epochs = 200for epoch in range(epochs):    model.train()    x = embedding(input_ids)    target = x.clone()    out = model(x)    loss = criterion(out, target)
    optimizer.zero_grad()    loss.backward()    optimizer.step()
    if (epoch + 1) % 50 == 0:        print(f"Epoch {epoch+1}, Loss: {loss.item():.6f}")
# ===== 注意力热图可视化 =====def plot_attention(attn, sentence_tokens, filename):    heads = attn.shape[0]    fig, axes = plt.subplots(1, heads, figsize=(4*heads, 4))    if heads == 1:        axes = [axes]    for h in range(heads):        ax = axes[h]        attn_head = attn[h].numpy()        im = ax.imshow(attn_head, cmap='viridis')        ax.set_xticks(np.arange(len(sentence_tokens)))        ax.set_yticks(np.arange(len(sentence_tokens)))        ax.set_xticklabels(sentence_tokens, rotation=90)        ax.set_yticklabels(sentence_tokens)        ax.set_title(f"Head {h+1}")        fig.colorbar(im, ax=ax)    plt.tight_layout()    plt.savefig(filename)    plt.close()
model.eval()with torch.no_grad():    x = embedding(input_ids)    _ = model(x)    attn_weights = model.last_attn_weights  # (batch, heads, seq, seq)
    for i, tokens in enumerate(sentences):        attn = attn_weights[i]        plot_attention(attn.cpu(), tokens, f"rope_attention_sentence{i+1}.png")
print("RoPE多头注意力热图已生成，文件名为 rope_attention_sentenceX.png")

结束语

经过这次实战，我们不仅从《水浒传》的古文中“偷”来了一点文学气息，还把它喂进了现代的多头自注意力网络里，加上 RoPE 旋转位置编码，让模型在捕捉长距离依赖关系时不再“迷路”。
通过可视化注意力热图，我们能直观看到词与词之间的微妙联系，就像在显微镜下观察一场无声的对话。这一切的意义，不仅仅是跑通了一段代码，更是把理论、实现与效果验证串成了一条完整的链条。
接下来，我们继续探索更多高级技巧！技术的世界没有终点，只有下一段旅程。