系列文章目录

Normalization 系列方法（一）：CV【4】：Batch normalization
Normalization 系列方法（二）：CV【5】：Layer normalization

---

---

前言

对于早前的 CNN 模型来说，大多使用 batch normalization 进行归一化，随着 Transformer 在计算机视觉领域掀起的热潮， layer normalization 开始被用于提升传统的 CNN 的性能，在许多工作中展现了不错的提升

本文主要是对 layer normalization 用法的总结

---

2. Layer normalization

2.1. Motivation

Batch Normalization 使用 mini-batch 的均值和标准差对深度神经网络的隐藏层输入进行标准化，可有效地提升训练速度

BN 的效果受制于 batch 的大小，小 batch 未必能取得预期效果

• 对于前向神经网络可以很直接地应用 BN，因为其每一层具有固定的神经元数量，可直接地存储每层网络各神经元的均值、方差统计信息以应用于模型预测
• 在 RNNs 网络中，不同的 mini-batch 可能具有不同的输入序列长度（深度），比如每句话的长短都不一定相同，所有很难去使用 BN，计算统计信息比较困难，而且测试序列长度不能大于最大训练序列长度

Barch Normalization 也很难应用于在线学习模型，以及小 mini-batch 的分布式模型

Layer Normalization 是针对自然语言处理领域提出的，其计算是针对每个样本进行的, 不像 BN 那样依赖 batch 内所有样本的统计量, 可以更好地用到 RNN 和流式数据上（注意，在图像处理领域中 BN 比 LN 是更有效的，但现在很多人将自然语言领域的模型用来处理图像，比如 Vision Transformer，此时还是会涉及到 LN，有关 Vision Transformer 的部分可以参考我的另外一篇 blog：CV-Model【6】：Vision Transformer）

2.2. Method

2.2.1. Standardisation

网络层的输出经过线性变换作为下层网络的输入，网络输出直接影响下层网络输入分布，这是一种协变量转移的现象。我们可以通过 固定网络层的输入分布（固定输入的均值和方差） 来降低协变量转移的影响

BN 对同一 mini-batch 中对不同特征进行标准化（纵向规范化：每一个特征都有自己的分布），受限于 batch size，难以处理动态神经网络中的变长序列的 mini-bach

RNNs 不同时间步共享权重参数，使得 RNNs 可以处理不同长度的序列，RNNs 使用 layer normalization 对不同时间步进行标准化（横向标准化：每一个时间步都有自己的分布），从而可以处理单一样本、变长序列，而且训练和测试处理方式一致

2.2.2. Calculation preparation

LN 是基于 BN 转化而来的

对于一个多层前向神经网络中的某一层 $H_i$，计算方式如下所示：
$$\begin{gathered} a_i^l=w_i^{l^T}{h}^l \\ {h}_i^{l+1}=f(a_i^l+b_i^l) \end{gathered}$$

针对深度学习，存在 covariate shift 现象，因此需要通过 normalize 操作，使 $H_i$ 层的输入拥有固定的均值和方差，以此削弱协方差偏移现象对深度网络的训练时的影响，加快网络收敛。

normalize 对 $H_i$ 层输入进行变换，计算方式如下所示：
$$\begin{gathered} {\bar{a}}_i^l=\frac{g_i^l}{{\sigma }_i^l}(a_i^l-{\mu }_i^l) \\ {\mu }_i^l={\mathbb{E}}_{x\sim P(x)}[a_i^l] \\ {\sigma }_i^l=\sqrt{\frac{1}{H}\sum _{i=1}^H(a_i^l-{\mu }^l{)}^2} \end{gathered}$$

直接使用上式进行 normalize 不现实，因为需要针对整个 trainingset 来进行计算，因此，BN 通过 mini-batch 的输入样本近似的计算 normalize 中的均值和方差，因此成为 batch normalization

2.2.3. Calculation process

与 BN 不同，LN 是针对深度网络的某一层的所有神经元的输入按以下公式进行 normalize 操作

如图所示。它综合考虑一层所有维度的输入，计算该层的平均输入值和输入方差，然后用同一个规范化操作来转换各个维度的输入

对于 RNN 的每个时间步，其输入都会包含两部分，即当前的输入 $x^t$ 和上一个时刻的隐藏状态 ${\mathbf{h}}^{t-1}$，记 ${\mathbf{a}}^t=W_{hh}{h}^{t-1}+W_{xh}{\mathbf{x}}^t$，其中，$W_{hh}$ 和 $W_{xh}$ 为对应的权重矩阵，则在每一个时刻，Layer Normalization 对每一个样本都分别计算所有神经元的均值和标准差如下：

参数含义：

• ${\mathbf{a}}^t$ 表示输入向量（前层网络输出加权后的向量）
• $H$ 表示隐藏单元数量（RNN 层的维度）

对于标准 RNN，若当前输入为 ${\mathbf{x}}^t$，上一隐藏状态为 ${\mathbf{h}}^{t-1}$，则加权输入向量（非线性单元的输入）为：

对输入向量进行层标准化，再进行缩放和平移（用于恢复非线性）得标准化后的输入 $\mathbf{y}$：

将标准化后的输入传入非线性激活函数：

其中， $g$ 和 $b$ 为引入的自适应增益和偏置参数，其作用与 batch normalization 中的参数一样，为了保留模型的非线性能力， $g$ 和 $b$ 的维度均为 $H$

值得注意的是，在每个时间步，同层网络的所有隐藏单元共享均值和方差

Layer Normalization 对 $g$ 和 $b$ 的初始化不敏感，一般默认将 $g$ 初始化为 1，将 $b$ 初始化为 0

2.3. Implement with PyTorch

在 Pytorch 的 LayerNorm 类中有个 normalized_shape 参数，可以指定你要 Norm 的维度（注意，函数说明中 the last certain number of dimensions，指定的维度必须是从最后一维开始）。

比如我们的数据的 shape 是 $[4,2,3]$，那么 normalized_shape 可以是 $[3]$（最后一维上进行 Norm 处理），也可以是 $[2,3]$（Norm 最后两个维度），也可以是 $[4,2,3]$（对整个维度进行 Norm），但不能是 $[2]$ 或者 $[4,2]$，否则会报以下错误（以 normalized_shape = [2] 为例）：

RuntimeError: 
Given normalized_shape=[2],         
expected input with shape [*, 2],    
but got input of size[4, 2, 3]

提示我们传入的 normalized_shape = [2]，接着系统根据我们传入的 normalized_shape 推理出期待的输入数据 shape 应该为 $[\ast ,2]$即最后的一个维度大小应该是 $2$，但我们实际传入的数据 shape 是 $[4,2,3]$ 所以报错了

接着，我们再来看个示例，分别使用官方的 LN 方法和自己实现的 LN 方法进行比较：

import torch
import torch.nn as nndef layer_norm_process(feature: torch.Tensor, beta=0., gamma=1., eps=1e-5):var_mean = torch.var_mean(feature, dim=-1, unbiased=False)# 均值mean = var_mean[1]# 方差var = var_mean[0]# layer norm processfeature = (feature - mean[..., None]) / torch.sqrt(var[..., None] + eps)feature = feature * gamma + betareturn featuredef main():t = torch.rand(4, 2, 3)print(t)# 仅在最后一个维度上做norm处理norm = nn.LayerNorm(normalized_shape=t.shape[-1], eps=1e-5)# 官方layer norm处理t1 = norm(t)# 自己实现的layer norm处理t2 = layer_norm_process(t, eps=1e-5)print("t1:\n", t1)print("t2:\n", t2)if __name__ == '__main__':main()

经测试可以发现，结果是一样的

---

总结

参考资料1
参考资料2