RMSNorm

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

对小批量输入应用均方根层归一化。

此层实现的操作如论文 Root Mean Square Layer Normalization 中所述

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

RMS 是在最后 D 维度上计算的，其中 D 是 normalized_shape 的维度。例如，如果 normalized_shape 是 (3, 5)（2 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) –

  来自预期大小输入的输入形状

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

  如果使用单个整数，则将其视为单例列表，并且此模块将在最后一个维度上进行归一化，该维度应为该特定大小。

• eps (Optional[float]) – 为了数值稳定性添加到分母的值。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（权重初始化为 1）。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()

关于模块的额外信息。

返回类型

str

forward(x)

运行前向传播。

返回类型

Tensor

reset_parameters()

根据 __init__ 中使用的初始化方式重置参数。