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.functional.layer_norm

mindspore.mint.nn.functional.layer_norm(input, normalized_shape, weight=None, bias=None, eps=1e-5)

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：

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

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 $(N,\ast )$ ， 其中 $\ast$ 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（$ϵ$），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, mint
>>> 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 = mint.nn.functional.layer_norm(input_x, normalized_shape, gamma, beta, eps)
>>> print(output)
[[-1.2247448 0. 1.2247448]
 [-1.2247448 0. 1.2247448]]