LayerNorm

class torch.nn.modules.normalization.LayerNorm(normalized_shape, eps=1e-05, elementwise_affine=True, bias=True, device=None, dtype=None)

对输入 mini-batch 应用层归一化。

本层实现了论文 Layer Normalization 中描述的操作。

$$y = \frac{x - \mathrm{E}[x]}{ \sqrt{\mathrm{Var}[x] + \epsilon}} * \gamma + \beta$$

均值和标准差是根据 D 维计算的，其中 D 是 normalized_shape 的维度。例如，如果 normalized_shape 是 (3, 5)（一个二维形状），则均值和标准差是根据输入的最后 2 维计算的（即 input.mean((-2, -1))）。如果 elementwise_affine 为 True，则 $\gamma$ 和 $\beta$ 是 normalized_shape 的可学习仿射变换参数。方差是通过有偏估计量计算的，等同于 torch.var(input, unbiased=False)。

注意

与 Batch Normalization 和 Instance Normalization 不同（它们在 affine 选项下为整个通道/平面应用标量缩放和偏差），Layer Normalization 在 elementwise_affine 选项下应用逐元素缩放和偏差。

此层在训练和评估模式下都使用从输入数据计算的统计量。

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 (float) – 为了数值稳定性添加到分母中的值。默认值：1e-5

• elementwise_affine (bool) – 如果设置为 True，则此模块将具有可学习的逐元素仿射参数，初始化为 1（权重）和 0（偏差）。默认值：True。

• bias (bool) – 如果设置为 False，则该层将不学习加性偏差（仅在 elementwise_affine 为 True 时才相关）。默认值：True。

变量

• weight – 当 elementwise_affine 设置为 True 时，模块的可学习权重形状为 $\text{normalized\_shape}$。值初始化为 1。

• bias – 当 elementwise_affine 设置为 True 时，模块的可学习偏差形状为 $\text{normalized\_shape}$。值初始化为 0。

形状

• 输入：$(N, *)$

• 输出：$(N, *)$（与输入形状相同）

示例

>>> # NLP Example
>>> batch, sentence_length, embedding_dim = 20, 5, 10
>>> embedding = torch.randn(batch, sentence_length, embedding_dim)
>>> layer_norm = nn.LayerNorm(embedding_dim)
>>> # Activate module
>>> layer_norm(embedding)
>>>
>>> # Image Example
>>> N, C, H, W = 20, 5, 10, 10
>>> input = torch.randn(N, C, H, W)
>>> # Normalize over the last three dimensions (i.e. the channel and spatial dimensions)
>>> # as shown in the image below
>>> layer_norm = nn.LayerNorm([C, H, W])
>>> output = layer_norm(input)