快捷方式

LayerNorm

class torch.nn.LayerNorm(normalized_shape, eps=1e-05, elementwise_affine=True, bias=True, device=None, dtype=None)[源代码]

对输入的小批量应用层归一化。

此层实现的操作如论文 层归一化 中所述

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

均值和标准差是在最后 D 个维度上计算的,其中 Dnormalized_shape 的维度。例如,如果 normalized_shape(3, 5)(一个二维形状),则均值和标准差是在输入的最后两个维度上计算的(即 input.mean((-2, -1)))。γ\gammaβ\betanormalized_shape 的可学习仿射变换参数,如果 elementwise_affineTrue。标准差是通过有偏估计量计算的,等效于 torch.var(input, unbiased=False)

注意

与批归一化和实例归一化不同,后者使用 affine 选项为每个完整通道/平面应用标量缩放和偏差,层归一化使用 elementwise_affine 为每个元素应用缩放和偏差。

此层在训练和评估模式下都使用从输入数据计算的统计数据。

参数
  • normalized_shape (intlisttorch.Size) –

    输入形状,来自大小为

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

    如果使用单个整数,则将其视为单元素列表,并且此模块将在最后一个维度上进行归一化,该维度预期为该特定大小。

  • eps (float) – 添加到分母以提高数值稳定性的值。默认值:1e-5

  • elementwise_affine (bool) – 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,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_affineTrue 时相关)。默认值: True

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

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

形状
  • 输入: (N,)(N, *)

  • 输出: (N,)(N, *)(与输入相同的形状)

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)
../_images/layer_norm.jpg

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源