核心内容摘要
申鹤：脚尖上的艺术，腿法间的魅影
1 LayerNorm背景：在神经网络中，每一层输出都将作为下一层的输入。
问题：在训练过程中，前一层参数的微小更新，所带来的输出会导致后一层输入的分布发生剧烈变化。
这就是层与层之间的动态失调。
俗称内部协变量偏移（Internal Covariate Shift）。
现象：比如，第一层参数稍微改了一点点（比如权重从
0.
10.
1
1变成
0.
110.
110.
。
经过非线性激活函数放大，第二层的输入分布就会发生剧烈抖动。
经过非线性激活函数放大，第二层的输入分布就会发生剧烈抖动。
梯度消失与爆炸： 如果没有归一化，神经元的输出可能非常大。
如果你使用的是 tanh 或 sigmoid 激活函数，输入太大就会进入“饱和区”，梯度几乎为 0，模型就“僵死”了。
LayerNorm 把数值强行拉回均值
方差 1 的范围，确保它们正好落在激活函数最敏感（斜率大）的区域。
例子：假设你正在训练一个深层网络，其中一层有一个神经元，它使用的是 Sigmoid 激活函数。
Sigmoid 公式：f(x)=11+e−xf(x) = \frac{1}{1 + e^{-x}}f(x)=1+e−x1求导：f(x)(1-f(x))它的特性：当xxx在000附近时，斜率（梯度）最大（约
0.
250.
250.
；当x5x 5x5或x−5x -5x−5时，曲线变得非常平坦，斜率接近 0。
情况 A：没有归一化（进入饱和区)假设由于前几层的权重初始化得比较大，或者没有控制好，传到这一层的输入向量为：x=[
1
0,
1
0,
1
0,
0]x = [
1
0,
1
0,
1
0,
0]x=[
1
0,
1
0,
1
0,
0]输出：f(
10.
≈
99995f(
10.
\approx
99995f(
10.
≈
99995f(
12.
≈
99999f(
12.
\approx
99999f(
12.
≈
99999你会发现，无论输入是 10 还是 12，输出几乎全是 1。
梯度计算：Sigmoid 的导数是f(x)(1−f(x))f(x)(1 - f(x))f(x)(1−f(x))。
对于x=10x=10x=10，梯度≈
99995×(1−
0.
=
000049\approx
99995 \times (1 -
0.
=
000049≈
99995×(1−
0.
=
000049。
后果： 这个梯度太小了！
在反向传播时，这个微弱的信号传到前一层几乎就消失了。
模型“僵死”了，因为它觉得自己已经做得很好了（输出都是
，或者它根本不知道该往哪改。
公式：为了解决内部协变量偏移这一问题，LayerNorm 通过将每一层神经元的输出强制转化为“均值为
方差为 1”的标准分布，使得不管前面的层怎么折腾，传给后层的信号始终是平稳、可预测的。
如果没有 LN：数值可能非常大（如
或非常小（如
0.
。
如果后面接的是 Sigmoid 或 Tanh 激活函数，这些数值会落入极其平坦的“饱和区”，导致梯度几乎为 0。
有了 LN：它把数值强行拽回到 0 附近。
结果：激活函数的斜率在这里最大，梯度能够顺畅回传，防止了模型因“梯度消失”而彻底僵死。
公式如下：xix_ixi：输入向量xxx中的第iii个元素（特征）。
iii：特征的索引，取值范围是[1,d][1, d][1,d]。
注意，LayerNorm 是在特征维度（最后一个维度）上做归一化，而不是在 Batch 维度。
nnn(或ddd)：向量的长度（隐藏层维度）。
σ2+ϵ\sqrt{\sigma^2 + \epsilon}