课程大纲 第 83 课,共 246 课 · 第 6 模块:起始权重与归一化
第 6 模块:起始权重与归一化

LayerNorm 和 RMSNorm

为什么重要 Transformer 不使用 BatchNorm。它们独立地归一化每一个样本,这避开了你刚刚遇到的批次陷阱,并且适用于任何批次大小。

  • LayerNorm 在每个样本(每一行)的特征之间做归一化:减去这一行的均值,除以这一行的离散程度,然后对每个特征应用 gamma 和 beta。训练和使用时都一样。
  • RMSNorm 更简单,被许多近期的语言模型使用:跳过均值,把每一行除以它的均方根 sqrt(mean(x squared) + eps),然后乘以 gamma。

很小的数字

行 [3, 4]。RMS = sqrt((9 + 16) / 2) = 3.536。RMSNorm 给出 [0.849, 1.131]。LayerNorm 会先减去均值 3.5:[-1, 1]。

本课中的词语和符号
Xavier、LeCun、He
起始离散程度:用于 tanh 的 sqrt(2 / (inputs + outputs)) 或 1 / sqrt(inputs),以及用于 ReLU 的 sqrt(2 / inputs)
BatchNorm(gamma、beta)
在批次上把每个特征归一化,然后用学习得到的 gamma 和 beta 重新缩放
LayerNorm、RMSNorm
独立地归一化每一个样本,在它的各个特征之间进行
轮到你了

编写 layernorm(X, gamma, beta, eps=1e-5) 和 rmsnorm(X, gamma, eps=1e-6),两者都按行进行。

发现这节课有问题?报告它 · 就这节课提问

这个练习即将开放

完成它前面的那一课,这一课就会解锁。整门课程免费,无需账号,而且你现在就可以阅读这节课。