知识卡片
残差连接与归一化
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?
这张卡片已通过人工审查,不再接受失败反馈。
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