文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

文档反馈

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-07)[源代码]

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。公式如下：

y = \frac{x - E [x]}{\sqrt{Var [x] + ϵ}} * γ + β

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，取值范围是[-1, rank(x))。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(x) 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]) - $γ$ 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]) - $β$ 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) - $ϵ$ 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 $(x_{1}, x_{2}, . . ., x_{R})$ ， 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：

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