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, dtype=mstype.float32)[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。其中 \(\gamma\) 是通过训练学习出的scale值,\(\beta\) 是通过训练学习出的shift值。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。其中R为输入 x 的维度大小。
begin_norm_axis (int) - 归一化开始计算的轴,取值范围是[-1, R)。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,取值范围是[-1, R)。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) - 添加到分母中的值(\(\epsilon\)),以确保数值稳定。默认值:
1e-7
。dtype (
mindspore.dtype
) - Parameters的dtype。默认值:mstype.float32
。
- 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:
>>> 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)