知识卡片

普通读书笔记卡 · 9854.q · 生成模型:Hunyuan

残差连接与归一化

理解等级:中级

层数加深会带来收敛变慢与梯度消失,Transformer用残差连接与LayerNorm护航。每个子层外包裹Add与Norm:子层输入与输出相加后再归一化,既保留原始信息通路,又稳定激活分布。实现上常把LayerNorm前置,与原始论文略有不同,再接注意力或前馈、Dropout与残差。这两个技巧使六层甚至更深的网络可稳定训练,是深层Transformer得以成立的工程支柱。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第5章 注意力机制 · 查看原书依据

      它采用了两种常用方法,一种是残差连接(Residual Connection),另一种是归一化(Normalization)。具体实现方法就是在每个编码器或解码器的两个子层

    参考来源

    - 位置:《深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)》第5章 注意力机制(源文件:extracted/深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)/_epub-src/OEBPS/Text/Chapter8_0003.xhtml) - 结论依据:原文说明随层数增加会出现收敛慢与梯度消失,Transformer采用残差连接和归一化,在每个编码器/解码器的两个子层间增加相应层。 - 原始内容:它采用了两种常用方法,一种是残差连接(Residual Connection),另一种是归一化(Normalization)。具体实现方法就是在每个编码器或解码器的两个子层