mindspore.nn.LayerNorm

class mindspore.nn.LayerNorm(normalized_shape, begin_norm_axis=- 1, begin_params_axis=- 1, gamma_init='ones', beta_init='zeros', epsilon=1e-7, dtype=mstype.float32)

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 。

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。其中 \(\gamma\) 是通过训练学习出的scale值，\(\beta\) 是通过训练学习出的shift值。公式如下：

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

参数：

• normalized_shape (Union(tuple[int], list[int])) - 沿轴 begin_norm_axis … R - 1 执行归一化。其中R为输入 x 的维度大小。

• begin_norm_axis (int) - 归一化开始计算的轴，取值范围是[-1, R)。默认值： -1 。

• begin_params_axis (int) - 指定输入参数 \((\gamma, \beta)\) 需进行层归一化的开始轴，取值范围是[-1, R)。默认值： -1 。

• gamma_init (Union[Tensor, str, Initializer, numbers.Number]) - \(\gamma\) 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（\(\epsilon\)），以确保数值稳定。默认值： 1e-7 。

• dtype (mindspore.dtype) - Parameters的dtype。默认值： mstype.float32 。

输入：

• x (Tensor) - x 的shape为 \((x_1, x_2, ..., x_R)\) ， 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。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore as ms
>>> import numpy as np
>>> x = ms.Tensor(np.ones([20, 5, 10, 10]), ms.float32)
>>> shape1 = x.shape[1:]
>>> m = ms.nn.LayerNorm(shape1,  begin_norm_axis=1, begin_params_axis=1)
>>> output = m(x).shape
>>> print(output)
(20, 5, 10, 10)