文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.mint.nn.LayerNorm

class mindspore.mint.nn.LayerNorm(normalized_shape, eps=1e-5, elementwise_affine=True, bias=True, dtype=None)

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：

$$y=\frac{x-\mathrm{E}[x]}{\sqrt{\mathrm{Var}[x]+ϵ}}\ast \gamma +\beta$$

警告

这是一个实验性API，后续可能修改或删除。

参数：

• normalized_shape (Union(tuple[int], list[int], int)) - 对 x 执行归一化的shape。

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

• elementwise_affine (bool，可选) - 是否需要仿射变换。当被设置为 True 时，权重参数初始化为1，偏差初始化为0。默认值： True 。

• bias (bool，可选) - 当被设置为 False 时，不会学习结果性偏差（仅 elementwise_affine 值为 True 时生效）。默认值： True 。

• dtype (mindspore.dtype，可选) - Parameters的dtype。默认值： None 。

输入：

• x (Tensor) - x 的shape为 $(N,\ast )$ ， * 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 - eps 不是float。

支持平台：

Ascend

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.mint.nn.LayerNorm(shape1)
>>> output = m(x).shape
>>> print(output)
(20, 5, 10, 10)