莞城网页设计_北京网络营销岗位数量_厦门谷歌seo_googleplay

4 Implementing a GPT model from Scratch To Generate Text

4.2 Normalizing activations with layer normalization

通过层归一化（Layer Normalization）对激活值进行归一化处理。

• Layer normalization (LayerNorm)：将激活值中心化到均值为 0，归一化方差为 1，稳定训练并加速收敛。

  应用位置：

  1. transformer block 中的 multi-head attention module 前后。

  2. 最终输出层之前。

  下图提供了LayerNormalization的直观概述

  ​

  从一个小例子看看LayerNormalization发生了什么

  torch.manual_seed(123)batch_example = torch.randn(2, 5) layer = nn.Sequential(nn.Linear(5, 6), nn.ReLU())
  out = layer(batch_example)
  print(out)
  print(out.shape)# 计算均值和方差
  mean = out.mean(dim=-1, keepdim=True)
  var = out.var(dim=-1, keepdim=True)print("Mean:\n", mean)
  print("Variance:\n", var)out_norm = (out - mean) / torch.sqrt(var)
  print("Normalized layer outputs:\n", out_norm)mean = out_norm.mean(dim=-1, keepdim=True)
  var = out_norm.var(dim=-1, keepdim=True)
  print("Mean:\n", mean)
  print("Variance:\n", var)"""输出"""
  tensor([[0.2260, 0.3470, 0.0000, 0.2216, 0.0000, 0.0000],[0.2133, 0.2394, 0.0000, 0.5198, 0.3297, 0.0000]],grad_fn=<ReluBackward0>)torch.Size([2, 6])Mean:tensor([[0.1324],[0.2170]], grad_fn=<MeanBackward1>)Variance:tensor([[0.0231],[0.0398]], grad_fn=<VarBackward0>)Normalized layer outputs:tensor([[ 0.6159,  1.4126, -0.8719,  0.5872, -0.8719, -0.8719],[-0.0189,  0.1121, -1.0876,  1.5173,  0.5647, -1.0876]],grad_fn=<DivBackward0>)Mean:tensor([[9.9341e-09],[0.0000e+00]], grad_fn=<MeanBackward1>)
  Variance:tensor([[1.0000],[1.0000]], grad_fn=<VarBackward0>)
  

  归一化会独立应用于两个输入（行）中的每一个；使用 dim=-1 表示在最后一个维度（在本例中为特征维度）上进行计算，而不是在行维度上进行计算。

  ​

  关闭科学计数法

  torch.set_printoptions(sci_mode=False) #关闭科学计数法
  print("Mean:\n", mean)
  print("Variance:\n", var)"""输出"""
  Mean:tensor([[    0.0000],[    0.0000]], grad_fn=<MeanBackward1>)
  Variance:tensor([[1.0000],[1.0000]], grad_fn=<VarBackward0>)
  

• LayerNorm 类实现：基于归一化思路，实现一个 LayerNorm 类，稍后我们可以在 GPT 模型中使用它

  class LayerNorm(nn.Module):def __init__(self, emb_dim):super().__init__()self.eps = 1e-5self.scale = nn.Parameter(torch.ones(emb_dim))self.shift = nn.Parameter(torch.zeros(emb_dim))def forward(self, x):mean = x.mean(dim=-1, keepdim=True)var = x.var(dim=-1, keepdim=True, unbiased=False)norm_x = (x - mean) / torch.sqrt(var + self.eps)return self.scale * norm_x + self.shift
  

  层归一化公式（上面的例子中$\gamma =1$ 、 $\beta =0$、$ϵ=0$）
  $$LayerNorm(x_i)=\gamma \cdot \frac{x_i-\mu }{\sqrt{{\sigma }^2+ϵ}}+\beta$$
  其中

  1. $\mu 、{\sigma }^2$ 分别x在layer维度上的均值和方差

  2. $\gamma 、\beta$ 是可学习的缩放平移参数

  3. $ϵ$ 是一个小常数，用于防止除零错误。

  scale 和 shift：可训练参数，用于在归一化后调整数据的缩放和偏移。

  有偏方差：在上述方差计算中，设置 unbiased=False,意味着使用公式 $\frac{{\sum }_i(x-\overline{x})}{n}$，不包含贝塞尔校正。其中 n 是样本大小（此处为特征或列的数量）；该公式不包含贝塞尔校正（即在分母中使用 n-1），因此提供的是方差的有偏估计。（对于 LLMs，嵌入维度 n 非常大，使用 n 和 n-1 之间的差异可以忽略不计，GPT-2 是在归一化层中使用有偏方差进行训练的，因此为了与后续章节中加载的预训练权重兼容，我们也采用了这一设置。）

  ln = LayerNorm(emb_dim=5)
  out_ln = ln(batch_example)
  mean = out_ln.mean(dim=-1, keepdim=True)
  var = out_ln.var(dim=-1, unbiased=False, keepdim=True)print("Mean:\n", mean)
  print("Variance:\n", var)"""输出"""
  Mean:tensor([[    -0.0000],[     0.0000]], grad_fn=<MeanBackward1>)
  Variance:tensor([[1.0000],[1.0000]], grad_fn=<VarBackward0>)
  

• 所以、本节至此，我们介绍了实现GPT架构所需的构建块之一，如下图中打勾的部分

  ​

---