Transformer和BERT的区别比较表：
两者的位置编码：
为什么要对位置进行编码？
Attention提取特征的时候，可以获取全局每个词对之间的关系，但是并没有显式保留时序信息，或者说位置信息。就算打乱序列中token的顺序，最后所得到的Attention结果也不会变，这会丢失语言中的时序信息，因此需要额外对位置进行编码以引入时序信息。
Position Embedding in Transformer
在Transformer中，位置编码是由sin /cos sin/cossin/cos函数生成的固定值。
具体做法：用不同频率的正余弦函数对位置信息进行编码，位置编码向量的维度与文本编码向量的维度相同，即dmodeld_{model}dmodel。因此二者可以直接相加作为token最终的编码向量。
pos表示位置，i 表示所在维度。
即使测试集中某些样本超出了最大文本长度，这种编码方式仍然可以获得有效的相对位置表示。
Position Embedding in BERT
在BERT中，与一般的词嵌入编码类似，位置编码也是随机生成且可训练的，维度为[seq_length, width]，其中seq_length代表序列长度，width代表每一个token对应的向量长度。
从实现上可以看到，BERT中将位置编码创建为一个tensorflow变量，并将其broadcast到与词嵌入编码同维度后相加。
cpp
with tf.control_dependencies([assert_op]):
full_position_embeddings = tf.get_variable(
name=position_embedding_name,
shape=[max_position_embeddings, width],
initializer=create_initializer(initializer_range))
# 这里position embedding是可学习的参数，[max_position_embeddings, width]
# 但是通常实际输入序列没有达到max_position_embeddings
# 所以为了提高训练速度，使用tf.slice取出句子长度的embedding
position_embeddings = tf.slice(full_position_embeddings, [0, 0],
[seq_length, -1])
num_dims = len(output.shape.as_list())
# word embedding之后的tensor是[batch_size, seq_length, width]
# 因为位置编码是与输入内容无关，它的shape总是[seq_length, width]
# 我们无法把位置Embedding加到word embedding上
# 因此我们需要扩展位置编码为[1, seq_length, width]
# 然后就能通过broadcasting加上去了。
position_broadcast_shape = []
for _ in range(num_dims - 2):
position_broadcast_shape.append(1)
position_broadcast_shape.extend([seq_length, width])
position_embeddings = tf.reshape(position_embeddings,
position_broadcast_shape)
output += position_embeddings两者之间的区别
Transformer的位置编码是一个固定值，因此只能标记位置，但是不能标记这个位置有什么用。
BERT的位置编码是可学习的Embedding，因此不仅可以标记位置，还可以学习到这个位置有什么用。
BERT选择这么做的原因可能是，相比于Transformer，BERT训练所用的数据量充足，完全可以让模型自己学习。
如何延拓BERT的位置编码？
我们知道，BERT模型最多只能处理512个token的文本，其原因在于BERT使用了随机初始化训练出来的绝对位置编码，最大位置设为为512，若是文本长于512便无位置编码可用。
另一方面，
复杂度使得长序列的显存用量极大，一般显卡就连finetune也做不到。
苏神提出了一种层次分解的方法将BERT的位置编码最多可以延拓至26万。
具体内容可自行阅读苏神博客