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