|
- mindspore.nn.LayerNorm
- =======================
-
- .. py:class:: mindspore.nn.LayerNorm(normalized_shape, begin_norm_axis=-1, begin_params_axis=-1, gamma_init='ones', beta_init='zeros', epsilon=1e-7)
-
- 在mini-batch输入上应用层归一化（Layer Normalization）。
-
- 层归一化在递归神经网络中被广泛的应用。适用单个训练用例的mini-batch输入上应用归一化，详见论文 `Layer Normalization <https://arxiv.org/pdf/1607.06450.pdf>`_ 。
-
- 与批归一化（Batch Normalization）不同，层归一化在训练和测试时执行完全相同的计算。
- 应用于所有通道和像素，即使batch_size=1也适用。公式如下：
-
- .. math::
- y = \frac{x - \mathrm{E}[x]}{\sqrt{\mathrm{Var}[x] + \epsilon}} * \gamma + \beta
-
- **参数：**
-
- - **normalized_shape** (Union(tuple[int], list[int]) - 沿轴 `begin_norm_axis ... R - 1` 执行归一化。
- - **begin_norm_axis** (int) - 归一化开始计算的轴：归一化将在维度 `begin_norm_axis: rank(inputs)` 上执行，取值范围是[-1, rank(input))。默认值：-1。
- - **begin_params_axis** (int) - 第一个参数(beta, gamma)的维度：scale和centering参数有 `begin_params_axis: rank(inputs)` 个维度，并与输入一起广播，取值范围是[-1, rank(input))。默认值：-1。
- - **gamma_init** (Union[Tensor, str, Initializer, numbers.Number]) - gama参数的初始化方法。str的值引用自函数 `initializer` ，包括'zeros'、'ones'、'xavier_uniform'、'he_uniform'等。默认值：'ones'。
- - **beta_init** (Union[Tensor, str, Initializer, numbers.Number]) - beta参数的初始化方法。str的值引用自函数 `initializer` ，包括'zeros'、'ones'、'xavier_uniform'、'he_uniform'等。默认值：'zeros'。
- - **epsilon** (float) - 添加到分母中的值，以确保数值稳定。默认值：1e-7。
-
- **输入：**
-
- - **x** (Tensor) - `x` 的shape为 :math:`(x_1, x_2, ..., x_R)` ， `input_shape[begin_norm_axis:]` 等于 `normalized_shape` 。
-
- **输出：**
-
- Tensor，归一化后的Tensor，shape和数据类型与 `x` 相同。
-
- **异常：**
-
- - **TypeError** - `normalized_shape` 既不是list也不是tuple。
- - **TypeError** - `begin_norm_axis` 或 `begin_params_axis` 不是int。
- - **TypeError** - `epsilon` 不是float。
|
