上一篇我们介绍了坐标注意力 CA，它通过沿两个方向分别池化来保留空间位置信息。

同样，我们可以总结一下它实现混合注意力的逻辑：

CA 的做法本质上是一种隐式编码，它通过池化整合空间特征，学习权重并注入的逻辑让模型间接感知到空间信息，实现混合注意力。

如果再站高点，我们会发现一个更基础的问题：

模型究竟应该如何表达空间信息？

在 CNN 路线中，这一问题通过卷积与池化的结构归纳被隐式解决。
而在之前的 Transformer 路线中，则通过位置编码 PE 将位置信息显式注入到特征表示中。

现在，我们再回到 Transformer 路线的位置编码演化中：
从原始 Transformer 的正余弦固定编码，到 ViT 的可学习位置编码，虽然更加灵活，但其根本逻辑是相通的：

PE 描述的是“每个位置是什么”，而不是“位置之间是什么关系”。

也就是说，这是一种绝对位置编码，这在 NLP 中存在优化空间，当扩展到二维的 CV 任务中，更出现了新的局限性：

在视觉中，"绝对位置"的语义本身就是不稳定的。同一只猫，在图像左上角和右下角，它的绝对位置编码完全不同，但网络应该以相同的逻辑去处理它。

卷积的设计只关注相对位置，因此规避了这一问题，而 Transformer 的解决方案就是：相对位置编码（Relative Position Encoding，RPE）。

实际上，在之前的 Swin 中 RPE 的逻辑就已经被应用，这几篇展开 RPE 的相关逻辑，串联之前的 Swin，作为之后的混合架构的前置内容。

1. RPE

18 年的论文： Self-Attention with Relative Position Representations 中首次将相对位置编码引入了 Transformer 的自注意力机制，它的核心思路是这样的：

在注意力计算过程中额外引入两组可学习的向量 \(\mathbf{r}^K, \mathbf{r}^V\)，分别用于修改 key 和 value 的表示。

分点展开如下：

1.1 相对位置参数表

显然， \(\mathbf{r}^K\) 和 \(\mathbf{r}^V\) 不是凭空出现，我们为其定义了分别定义了一个相对位置参数表。
具体来说，假设我们限制最大相对距离为 \(L\)（比如 -10 到 +10），那么模型会定义两个参数表：

1. Key 相对位置表：\(\mathbf{R}^K \in \mathbb{R}^{(2L+1)\times d_k}\)
2. Value 相对位置表：\(\mathbf{R}^V \in \mathbb{R}^{(2L+1)\times d_v}\)

不难理解，\(2L+1\) 就是最大相对距离里的各种取值可能，\(d\) 就是表示维度。
现在，对任意两个 token：

\[\text{query}：i \quad \text{key}：j \]

计算相对距离为：

\[r = j - i \]

超过范围就会截断或边界共享，然后查表：

\[\mathbf{r}^K_{j-i} = \mathbf{R}^K[r] \]

\[\mathbf{r}^V_{j-i} = \mathbf{R}^V[r] \]

这就是两组可学习的向量的由来。而它们各自的语义是这样的：

1. \(\mathbf{r}^K\) ： 控制“注意力权重偏置”。
2. \(\mathbf{r}^V\) ： 控制“信息内容偏移”。

下面就展开结构，看看如何实现这两组参数的语义。

1.2 加入到注意力打分中的 \(\mathbf{r}^K\)

在标准注意力里，打分函数是：

\[e_{ij} = \frac{\mathbf{q}_i \cdot \mathbf{k}_j}{\sqrt{d_k}} \]

加法型 RPE 的第一步，是把 key 改写成：

\[\mathbf{k}_j \rightarrow \mathbf{k}_j + \mathbf{r}^K_{j-i} \]

代入后得到：

\[e_{ij} = \frac{\mathbf{q}_i \cdot (\mathbf{k}_j + \mathbf{r}^K_{j-i})}{\sqrt{d_k}} \]

展开后的结构是这样的：

\[e_{ij} = \frac{\mathbf{q}_i \cdot \mathbf{k}_j}{\sqrt{d_k}} + \frac{\mathbf{q}_i \cdot \mathbf{r}^K_{j-i}}{\sqrt{d_k}} \]

显然，原本的注意力分数只反应“语义相似度”，而现在又多了一项“距离相关性”。

1.3 加入聚合计算中的 \(\mathbf{r}^V\)

\(\mathbf{r}^K\) 作用在权重计算阶段，而 \(\mathbf{r}^V\) 作用在信息聚合阶段。

已知得到注意力权重后，聚合信息的标准输出为：

\[\mathbf{z}_i = \sum_j \alpha_{ij} \mathbf{v}_j \]

现在，加法型 RPE 将 value 改写为：

\[\mathbf{v}_j \rightarrow \mathbf{v}_j + \mathbf{r}^V_{j-i} \]

于是输出变成了：

\[\mathbf{z}_i = \sum_j \alpha_{ij} (\mathbf{v}_j + \mathbf{r}^V_{j-i}) \]

我们知道 value 本身的语义是 token 携带的真实信息， \(\mathbf{r}^V\) 在这里与其加和，就是在注入学习得到的相对位置信息。

总结来说，最初的 RPE 的核心逻辑是这样的：

建模相对距离，在 K/V 表示空间中注入“相对位置向量偏置”，让注意力从“内容函数”变成“内容 + 位置函数”。

2. RPE 的局限

在最初的 RPE 逻辑中，所有位置信息只能以“线性加法”的方式影响注意力，无法形成更复杂的非线性交互。
而且其依赖固定长度的相对位置表 \(\mathbf{R}^K, \mathbf{R}^V\)，当序列长度超出训练范围时只能截断或共享边界 embedding，导致外推能力较弱。

于是，在 RPE 提出后，就出现了分裂式的发展趋势，其中有简要的结构增强，有从一维到二维的推广，还有重构式的新型设计，涉及方向较广，我们以时间线顺序在后几篇展开。