Programme Leçon 150 sur 246 · Module 13 : Attention et transformers
Module 13 : Attention et transformers

La normalisation de couche : garder chaque vecteur dans l'intervalle

Pourquoi c'est important Le module 6 gardait les activations saines avec la normalisation par lot, qui fait la moyenne sur le lot. Les lots de texte varient en longueur et la génération traite une séquence à la fois, donc les transformers normalisent le vecteur de chaque position séparément : la normalisation de couche.

Pour un vecteur x de d nombres : soustrais sa moyenne, divise par son écart type (plus un minuscule epsilon, 1e-5, pour ne jamais diviser par 0), puis mets à l'échelle et décale avec g et b appris :

y = (x - mean(x)) / sqrt(var(x) + 1e-5) * g + b

Le vecteur de chaque token entre dans chaque attention et chaque partie feed-forward avec une moyenne de 0 et une dispersion de 1, quelle que soit la taille qu'a prise la somme courante.

Mots et symboles de cette leçon
attention
le softmax des scores requête-clé, utilisé pour faire la moyenne des valeurs
normalisation de couche
normaliser chaque vecteur séparément : moyenne 0, dispersion 1, puis fois g plus b
À ton tour

Écris layer_norm(x, g, b) pour un tableau de n'importe quelle forme, en normalisant le long du dernier axe. Elle doit s'accorder avec le layernorm du moteur du cours.

Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon

Cet exercice s'ouvre bientôt

Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.