mindspore.ops.layer_norm

mindspore.ops.layer_norm(input, normalized_shape, weight=None, bias=None, eps=1e-05)

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：

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

其中 \(\gamma\) 是通过训练学习出的weight值，\(\beta\) 是通过训练学习出的bias值。

参数：

• input (Tensor) - input 的shape为 \((N, *)\) ， 其中 \(*\) 表示任意的附加维度。

• normalized_shape (Union(int, tuple[int], list[int])) - 表示需要进行归一化的shape， normalized_shape 等于 input_shape[begin_norm_axis:] ， begin_norm_axis 代表归一化要开始的轴。

• weight (Tensor, 可选) - 可学习的权重值，shape为 normalized_shape ，默认值: None 。为 None 时，初始化为 1 。

• bias (Tensor, 可选) - 可学习的偏移值，shape为 normalized_shape ，默认值: None 。为 None 时，初始化为 0 。

• eps (float, 可选) - 添加到分母中的值（\(\epsilon\)），以确保数值稳定。默认值： 1e-5 。

返回：

Tensor，归一化后的Tensor，shape和数据类型与 input 相同。

异常：

• TypeError - input 不是Tensor。

• TypeError - normalized_shape 既不是list也不是tuple。

• TypeError - eps 不是float。

支持平台：

Ascend

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)
>>> normalized_shape = (3,)
>>> gamma = Tensor(np.ones(normalized_shape), mindspore.float32)
>>> beta = Tensor(np.zeros(normalized_shape), mindspore.float32)
>>> eps = 1e-7
>>> output = ops.layer_norm(input_x, normalized_shape, gamma, beta, eps)
>>> print(output)
[[-1.2247448 0. 1.2247448]
 [-1.2247448 0. 1.2247448]]