mindspore.ops.LayerNorm

class mindspore.ops.LayerNorm(begin_norm_axis=1, begin_params_axis=1, epsilon=1e-07)[源代码]

在输入Tensor上应用层归一化（Layer Normalization）。

此算子将在给定的轴上对输入进行层归一化。Layer Normalization 描述了LayerNorm。

\[y = \frac{x - mean}{\sqrt{variance + \epsilon}} * \gamma + \beta\]

其中 \(\gamma\) 是Scalar， \(\beta\) 是偏置项， \(\epsilon\) 是精度值。

参数：

begin_norm_axis (int) - 指定 input_x 需进行层归一化的起始维度，其值必须在[-1, rank(input))范围内。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，其值必须在[-1, rank(input))范围内。默认值： 1 。
epsilon (float) - 添加到分母中的值，以确保数据稳定性。默认值： 1e-7 。

输入：

input_x (Tensor) - LayerNorm的输入，shape为 \((N, \ldots)\) 的Tensor。支持的数据类型：float16、float32、float64。
gamma (Tensor) - 可学习参数 \(\gamma\) ，shape为 \((P_0, \ldots, P_\text{begin_params_axis})\) 的Tensor。支持的数据类型：float16、float32、float64。
beta (Tensor) - 可学习参数 \(\beta\) 。shape为 \((P_0, \ldots, P_\text{begin_params_axis})\) 的Tensor。支持的数据类型：float16、float32、float64。

输出：

tuple[Tensor]，3个Tensor组成的tuple，层归一化输入和更新后的参数。

output_x (Tensor) - 层归一化输入，shape为是 \((N, C)\) 。数据类型和shape与 input_x 相同。
mean (Tensor) - 输入的均值，shape为 \((C,)\) 的Tensor。
variance (Tensor) - 输入的方差，shape为 \((C,)\) 的Tensor。

异常：

TypeError - begin_norm_axis 或 begin_params_axis 不是int。
TypeError - epsilon 不是float。
TypeError - input_x、gamma 或 beta 不是Tensor。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> input_x = Tensor(np.array([[1, 2, 3], [1, 2, 3]]), mindspore.float32)
>>> gamma = Tensor(np.ones([3]), mindspore.float32)
>>> beta = Tensor(np.ones([3]), mindspore.float32)
>>> layer_norm = ops.LayerNorm()
>>> output, mean, variance = layer_norm(input_x, gamma, beta)
>>> print(output)
[[-0.2247448  1.         2.2247448]
 [-0.2247448  1.         2.2247448]]
>>> print(mean)
[[2.]
 [2.]]
>>> print(variance)
[[0.6666667]
 [0.6666667]]