Layer Normalization(层归一化)是一种常用的归一化技术,用于神经网络的每个层的输入进行归一化处理。其公式如下:
对于一个具有特征维度为 \(d\) 的输入 \(x = (x_1, x_2, ..., x_d)\),Layer Normalization 的计算公式如下:
\[
\text{LayerNorm}(x) = \gamma \odot \frac{x - \mu}{\sqrt{\sigma^2 + \epsilon}} + \beta
\]
其中:
- \( \text{LayerNorm}(x) \) 表示对输入 \( x \) 进行 Layer Normalization 的结果。
- \(\gamma\) 和 \(\beta\) 是可学习的参数向量,维度均为 \(d\)。它们用于对归一化的结果进行缩放和平移,以便让网络自由地学习调整数据的均值和方差。
- \(\mu\) 是输入 \(x\) 在特征维度上的均值,计算方式为:\(\mu = \frac{1}{d} \sum_{i=1}^{d} x_i\)。
- \(\sigma\) 是输入 \(x\) 在特征维度上的标准差,计算方式为:\(\sigma = \sqrt{\frac{1}{d} \sum_{i=1}^{d} (x_i - \mu)^2}\)。
- \(\epsilon\) 是一个小的常数(例如,\(10^{-5}\)),用于避免除以零的情况。
Layer Normalization 的目标是对每个样本的特征维度进行归一化,使得每个维度上的均值为0,方差为1。这有助于减少不同样本之间的差异,提供更稳定的训练过程。
需要注意的是,Layer Normalization 是在特征维度上进行归一化,与 Batch Normalization(批归一化)不同,后者是在批次维度上进行归一化。因此,Layer Normalization 在处理序列数据等不适合使用批归一化的情况下,往往是一个更好的选择。