概述
层归一化通过重新调整每个示例中的激活来稳定训练，使它们具有零均值和单位方差。它是一种安静但必不可少的成分，可以使深度变形金刚变得可训练。
层标准化是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。
深入探讨
Ba、Kiros 和 Hinton 于 2016 年提出，层归一化 (LayerNorm) 解决了当信号穿过多个层时，深层网络内部的激活可能会漂移到截然不同的规模，从而减慢或不稳定学习的问题。与批量归一化不同的是，批量归一化对小批量中示例的每个特征进行归一化，而 LayerNorm 对单个示例的特征进行归一化。这使得它独立于批量大小，并且同样可用于训练和推理，并且它可以自然地与可变长度序列一起工作，这就是为什么它成为支持现代语言模型的变压器的标准。标准化后，它应用可学习的尺度（gamma）和移位（beta），以便网络可以恢复它需要的任何表示。
技术洞察
对于特征向量 x，LayerNorm 计算该向量元素的均值和方差，然后输出 gamma * (x - 均值) / sqrt(variance + epsilon) + beta。由于统计数据来自单个样本，因此无论批次有 1 个样本还是 1000 个样本，行为都是相同的。一个更简单的变体 RMSNorm 跳过均值减法，仅除以均方根，从而节省了计算量；它用于 Llama 等模型。放置也很重要：“前规范”（在每个子层之前规范化）使深层变压器比“后规范”更容易训练。
掌握层标准化
层归一化通过重新调整每个示例中的激活来稳定训练，使它们具有零均值和单位方差。它是一种安静但必不可少的成分，可以使深度变形金刚变得可训练。层标准化是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。为了建立深入的理解，请将层归一化视为一种操作模型，而不是单个功能：定义所需的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用层标准化的强大团队可以根据可靠性和成本来优化架构、数据和基础设施选择。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
多年来，架构决策决定着性能和运营成本。与此同时，优化一个基准测试可以隐藏更广泛的系统弱点。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
多年来，架构决策决定着性能和运营成本。
多年来，架构决策决定着性能和运营成本。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
更好的工程选择可以减少生产中的可靠性事故。
更好的工程选择可以减少生产中的可靠性事故。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
稳定 GPT 和 BERT 等语言模型中的每个转换器块。
启用 RMSNorm 作为 Llama 系列模型中较轻的标准化选择。
对批量大小不同的语音和翻译模型中的可变长度序列数据进行标准化。
允许批量大小为 1 的可靠训练，例如在某些强化学习设置中。
实施模式
层归一化实践
稳定 GPT 和 BERT 等语言模型中的每个转换器块。
稳定 GPT 和 BERT 等语言模型中的每个转换器块 当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
层归一化实践
启用 RMSNorm 作为 Llama 系列模型中较轻的标准化选择。
在 Llama 系列模型中启用 RMSNorm 作为较轻的标准化选择 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
层归一化实践
对批量大小不同的语音和翻译模型中的可变长度序列数据进行标准化。
标准化批量大小不同的语音和翻译模型中的可变长度序列数据 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
层归一化实践
允许批量大小为 1 的可靠训练，例如在某些强化学习设置中。
允许批量大小为 1 的可靠训练，例如在某些强化学习设置中，当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
优化一项基准测试可以隐藏更广泛的系统弱点。
基础设施和维护成本常常被低估。
随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
实施路线图
在实施之前定义延迟、质量和成本目标。
在实施之前定义延迟、质量和成本目标。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在实际负载和数据条件下进行基准测试。
在实际负载和数据条件下进行基准测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
仪器监控错误、漂移和用户影响。
仪器监控错误、漂移和用户影响。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在扩展之前准备回滚和事件响应路径。
在扩展之前准备回滚和事件响应路径。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。