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_axisbegin_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)