RMSNorm

class torch.nn.RMSNorm(normalized_shape, eps=None, elementwise_affine=True, device=None, dtype=None)

对输入的小批量应用均方根层归一化。

此层实现了论文 Root Mean Square Layer Normalization 中描述的操作。

$$y_i = \frac{x_i}{\mathrm{RMS}(x)} * \gamma_i, \quad \text{where} \quad \text{RMS}(x) = \sqrt{\epsilon + \frac{1}{n} \sum_{i=1}^{n} x_i^2}$$

RMS 是在最后 D 个维度上计算的，其中 D 是 normalized_shape 的维度。例如，如果 normalized_shape 是 (3, 5)（一个二维形状），则 RMS 是在输入的最后 2 个维度上计算的。

参数

• normalized_shape (int 或 list 或 torch.Size) –

  input shape from an expected input of size

  $$[* \times \text{normalized\_shape}[0] \times \text{normalized\_shape}[1] \times \ldots \times \text{normalized\_shape}[-1]]$$

  If a single integer is used, it is treated as a singleton list, and this module will normalize over the last dimension which is expected to be of that specific size.

• eps (Optional[float]) – 用于数值稳定性的分母的加法值。默认值：torch.finfo(x.dtype).eps

• elementwise_affine (bool) – 一个布尔值，当设置为 True 时，此模块具有可学习的逐元素仿射参数，并初始化为 1（用于权重）。默认值：True。

形状

• 输入：$(N, *)$

• 输出：$(N, *)$（与输入形状相同）

示例

>>> rms_norm = nn.RMSNorm([2, 3])
>>> input = torch.randn(2, 2, 3)
>>> rms_norm(input)

extra_repr()

返回模块的额外表示。

返回类型

str

forward(x)

执行前向传播。

返回类型

张量

reset_parameters()

根据 __init__ 中使用的初始化重置参数。