RMSNorm

class torch.nn.RMSNorm(标准化形状, eps=None,逐元素仿射=True, device=None, dtype=None)[source][source] ¶

在输入的小批量上应用均方根层归一化。

此层实现了论文《均方根层归一化》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 是在最后 D 个维度上进行的，其中 D 是 normalized_shape 的维度。例如，如果 normalized_shape 是 (3, 5) （一个二维形状），则 RMS 是在输入的最后 2 个维度上计算的。

参数:

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

  输入形状来自期望的输入大小

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

  如果使用单个整数，则将其视为单例列表，此模块将在此特定大小上归一化最后一个维度，该维度预期为该特定大小。

• eps（可选[浮点]）- 为数值稳定性添加到分母的值。默认： torch.finfo(x.dtype).eps()

• elementwise_affine（布尔值）- 当设置为 True 时，此模块具有可学习的每个元素仿射参数，初始化为 1（对于权重）。默认： True

形状：

• 输入: $(N, *)$

• 输出： $(N, *)$ （与输入形状相同）

示例：

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

extra_repr()

关于该模块的额外信息。

返回类型:

str

forward(x)

前向传播。

返回类型:

张量

reset_parameters()

根据在 __init__ 中使用的初始化重置参数。