RMSNormalization¶
RMSNormalization - 23¶
版本¶
域:
main起始版本:
23函数:
True支持级别:
SupportType.COMMON形状推断:
True
此版本的运算符已从版本 23 开始可用。
摘要¶
这是 ONNX 中定义的 RMS 归一化，作为函数，如论文 https://arxiv.org/pdf/1910.07467 所述。整体计算可以分为两个阶段。对最后 D 个维度进行均方根范数计算，其中 D 是 normalized_shape 的维度。例如，如果 normalized_shape 是 (3, 5)（一个二维形状），则对输入的最后 2 个维度计算 rms 范数。标准化所需的计算可以用以下公式描述。
XSquared = Mul(X, X)
XSquaredMean = ReduceMean<axes=normalized_axes>(XSquared)
MeanSquareEpsilon = Add(XSquaredMean, epsilon)
RMS = Sqrt(MeanSquareEpsilon)
Normalized = Div(X, RMS)
其中 normalized_axes 是 [axis, ..., X 的秩 - 1]。变量 RMS 代表均方根。根据 stash_type 属性，实际计算必须在不同的浮点精度下进行。例如，如果 stash_type 为 1，则此运算符会将所有输入变量转换为 32 位浮点数，执行计算，最后将 Normalized 转换回 X 的原始类型。然后第二阶段使用以下方式缩放第一阶段的结果
Y= Mul(Normalized, Scale)
设 d[i] 表示 X 的第 i 个维度。如果 X 的形状是 [d[0], ..., d[axis-1], d[axis], ..., d[rank-1]]，则 RMS 的形状是 [d[0], ..., d[axis-1], 1, ..., 1]。Y 和 X 具有相同的形状。此运算符支持单向广播（Scale 应对张量 X 进行单向广播）；更多详细信息请查看 ONNX 中的广播。
属性¶
axis - INT (默认为
'-1')第一个归一化维度。如果 rank(X) 为 r，则 axis 的允许范围是 [-r, r)。负值表示从后向前计数维度。
epsilon - FLOAT (默认为
'1e-05')用于避免除以零的 epsilon 值。
stash_type - INT (默认为
'1')计算第一阶段使用的浮点精度。
输入¶
X (异构) - T
要进行归一化的输入张量。通常，对于 n 维数据，形状为 (D1, D2, ..., Dn)，均方根范数是针对最后 D 个维度计算的，其中 D 由 axis 属性确定。
scale (异构) - V
缩放张量。缩放张量的形状应能广播到归一化形状。
输出¶
Y (异构) - V
输出数据张量。形状与 X 相同。
类型约束¶
T 在 (
tensor(bfloat16),tensor(double),tensor(float),tensor(float16)) 中将输入 X 的类型限制为浮点张量。
V 在 (
tensor(bfloat16),tensor(double),tensor(float),tensor(float16)) 中将输出 Y 和 scale 的类型限制为浮点张量。