RotaryPositionalEmbeddings

class torchtune.modules.RotaryPositionalEmbeddings(dim: int, max_seq_len: int = 4096, base: int = 10000)

此类实现了 https://arxiv.org/abs/2104.09864 中提出的 Rotary Positional Embeddings (RoPE)。

参考实现（用于正确性验证）可以在这里找到： https://github.com/meta-llama/llama/blob/main/llama/model.py#L80

在此实现中，我们缓存每个位置的嵌入，最多 max_seq_len，方法是在初始化期间计算它。

参数:

• dim (int) – 嵌入维度。这通常设置为注意力模块中每个头的维度，计算方式为 embed_dim // num_heads

• max_seq_len (int) – 模型预期的最大序列长度，如果超过，将重新计算缓存的频率

• base (int) – 用于计算旋转角度的几何级数的基础

forward(x: Tensor, *, input_pos: Optional[Tensor] = None) → Tensor

参数:

• x (torch.Tensor) – 形状为 [b, s, n_h, h_d] 的输入张量

• input_pos (Optional[torch.Tensor]) – 可选张量，其中包含每个 token 的位置 ID。在训练期间，这用于指示每个 token 相对于其打包样本的位置，形状为 [b, s]。在推理期间，这指示当前 token 的位置。如果为 None，则假定 token 的索引是其位置 ID。默认为 None。

返回:

形状为 [b, s, n_h, h_d] 的输出张量

返回类型:

torch.Tensor

用于张量形状的符号

• b: 批大小

• s: 序列长度

• n_h: 头数

• h_d: 头维度