RMSNorm

class torch.nn.modules.normalization.RMSNorm(normalized_shape, eps=None, elementwise_affine=True, device=None, dtype=None)

對輸入的小批次應用均方根層歸一化。

該層實現了論文 Root Mean Square Layer Normalization 中描述的操作。

$$y_i = \frac{x_i}{\mathrm{RMS}(x)} * \gamma_i, \quad \text{where} \quad \text{RMS}(x) = \sqrt{\epsilon + \frac{1}{n} \sum_{i=1}^{n} x_i^2}$$

RMS 是在最後 D 個維度上計算的，其中 D 是 normalized_shape 的維度。例如，如果 normalized_shape 是 (3, 5) （一個二維形狀），則 RMS 是在輸入的最後 2 個維度上計算的。

引數

• normalized_shape (int 或 list 或 torch.Size) –

  input shape from an expected input of size

  $$[* \times \text{normalized\_shape}[0] \times \text{normalized\_shape}[1] \times \ldots \times \text{normalized\_shape}[-1]]$$

  If a single integer is used, it is treated as a singleton list, and this module will normalize over the last dimension which is expected to be of that specific size.

• eps (Optional[float]) – 用於數值穩定性的加法項。預設值：torch.finfo(x.dtype).eps

• elementwise_affine (bool) – 當設定為 True 時，此模組將具有可學習的逐元素仿射引數，初始化為 1（對於權重）。預設值：True。

形狀

• 輸入：$(N, *)$

• 輸出：$(N, *)$（與輸入形狀相同）

示例

>>> rms_norm = nn.RMSNorm([2, 3])
>>> input = torch.randn(2, 2, 3)
>>> rms_norm(input)

extra_repr()

返回模組的額外表示。

返回型別

str

forward(x)

執行前向傳播。

返回型別

張量

reset_parameters()

根據 __init__ 中的初始化重置引數。