InstanceNorm && LayerNorm

@author: SUFEHeisenberg

@date: 2023/01/26

先说结论:

• 将Transformer类比于RNN：一个token就是一层layer，对一整句不如token有意义
• 原生Bert代码或huggingface中用的都是InstanceNorm instead of LayerNorm，但都是torch.nn.LayerNorm实现的。

1. 对NLP数据的理解

NLP input data的为[batch_size, sequence_len, dim] 表示为[K, N, D]

关键就是这个形如 [K, N, D] 的 tensor 它其实不是一层，而是N 个形如 [K, D] 的层拼接的结果。用 RNN 来想就很明白了，计算完时间步 t 以后才能计算时间步 t+1，比如 h_{t+1}=tanh(Wh_t+b)，h_{t+1} 和 h_t 在计算图上的深度都不同，显然第 t 个词的 D 维向量和第 t+1 个词的 D维向量属于两个不同的层。只不过为了方便使用，会把所有的 h_{1:T} 都拼接起来组成一个 tensor 返回。在 xfmr 里，因为各个时间步可以同时计算，所以这一点不够不明显了。

简单来说，由于RNN在每个时间步都共享同一套参数（其实Transformer也是一样，同一层的不同token共享同一套QKV），BatchNorm是跨时间步进行的（换句话说就是跨token进行的，因为一个batch中所有句子在同一位置的token属于同一个时间步），而LayerNorm是只取决于当前时间步（或者说当前这个token）。

从这样的视角来看，或者说从网络的实际计算流程来看，对于一批文本输入[K, N, D]，实际上可以看作是由N个[K, d]的输入拼接而来的，其中每个[K, D]代表的是一个batch中所有句子在某一位置（或说某个时间步）的token嵌入组成的。在RNN中，[K, D]按时序依次输入网络，在Transformer中则是通过并行计算，但本质上都是通过同一套参数来计算。 因此，在[K, N, D]上进行LN，就是在SN个[K, D]这样的批数据上进行LN，只不过这N个LN共享同一套 gain(γ\gammaγ)和bias(β\betaβ)。

在此直接照搬知乎大佬的讲解，通过举例已经非常浅显透彻了。

2. 结合公式举个栗子🌰

2.1 生成demo data

import torch
K, N, D = 2, 3, 4
# 生成demo data
embedding = torch.randn(K, N, D)
Out[1]: 
tensor([[[ 2.3833,  0.1780,  1.0667,  0.2227],[ 0.2482, -0.3889,  0.7117,  0.9091],[ 0.4513,  1.6905,  0.5648, -1.2175]],[[ 0.1469, -0.9727,  2.5195, -1.3820],[-0.0406,  0.4197,  1.8440,  1.2459],[ 0.0238,  0.4803, -1.0974, -0.3951]]])

2.2 验证LayerNorm

LayerNorm是K*N*D固定了K，在每一个batch会生成K个mean均值μ1,⋯,μK\mu_1,\cdots,\mu_Kμ1​,⋯,μK​，每个batch中的得到标准差σ1,⋯,σK\sigma_1,\cdots, \sigma_Kσ1​,⋯,σK​。

所以，对于第k个batch∈RN×D\in\mathbb{R}^{N\times D}∈RN×D而言（对于bert而言是RN+2,D\mathbb{R}^{N+2,D}RN+2,D, 在此不细究讨论）：
Xnd(k)′=Xnd(k)−μkσkX_{nd}^{(k)\prime} = \frac{X^{(k)}_{nd}-\mu_k}{\sigma_k} Xnd(k)′​=σk​Xnd(k)​−μk​​
μ\muμ和σ\sigmaσ是每个batch中N*D的均值方差。

# layer_normalization
layer_norm = torch.nn.LayerNorm([N,dim], elementwise_affine = False)
print("layer_norm: ", layer_norm(embedding))
layer_norm:  tensor([[[ 2.0472, -0.4403,  0.5621, -0.3898],[-0.3610, -1.0797,  0.1617,  0.3843],[-0.1320,  1.2658, -0.0039, -2.0143]],[[-0.0760, -1.0675,  2.0254, -1.4301],[-0.2420,  0.1656,  1.4271,  0.8974],[-0.1850,  0.2193, -1.1780, -0.5560]]])

验证第一行元素：

mean = embedding.mean(dim=(1,2))
# tensor([0.5683, 0.2327])
std = embedding.std(dim=(1,2), unbiased=False) #一定要记得unbiased=False
# tensor([0.8866, 1.1291])
# or 用Var的数学期望定义
var = torch.square(embedding-mean).mean(dim=(1,2))
#tensor([0.7860, 1.2748])
(embedding[0][0]-mean[0])/std[0]
# Out[189]: tensor([[ 2.0472, -0.4403,  0.5621, -0.3898]])

验证所有元素

eps: float = 0.00001
mean = torch.mean(embedding[:, :, :], dim=(-2,-1), keepdim=True)
var = torch.square(embedding[:, :, :] - mean).mean(dim=(-2,-1), keepdim=True)print("mean: ", mean.shape)
print("y_custom: ", (embedding[:, :, :] - mean) / torch.sqrt(var + eps))

2.3 验证InstanceNorm

LayerNorm是K*N*D固定了K*N，在每一个token会生成K*N个mean均值μ11,⋯,μkn,⋯,μKN\mu_{11},\cdots,\mu_{kn},\cdots,\mu_{KN}μ11​,⋯,μkn​,⋯,μKN​，每个batch中的得到标准差σ1,⋯,σkn,⋯,σKN\sigma_1,\cdots,\sigma_{}kn,\cdots, \sigma_{KN}σ1​,⋯,σ​kn,⋯,σKN​。

所以，对于第kn个token∈R1×D\in\mathbb{R}^{1\times D}∈R1×D而言：
Xd(kn)′=Xd(kn)−μknσknX_{d}^{(kn)\prime} = \frac{X^{(kn)}_{d}-\mu_{kn}}{\sigma_{kn}} Xd(kn)′​=σkn​Xd(kn)​−μkn​​
μ\muμ和σ\sigmaσ是每个batch中每个seq_len的token中D里面的均值方差。

# instance_normalization，可以看到二者其实都是通过nn.LayerNorm实现的
instance_norm = torch.nn.LayerNorm(dim, elementwise_affine = False)
(embedding)
print("instance_norm: ", instance_norm(embedding))
instance_norm:  tensor([[[ 1.5902, -0.8784,  0.1164, -0.8283],[-0.2438, -1.5193,  0.6840,  1.0791],[ 0.0761,  1.2702,  0.1855, -1.5318]],[[ 0.0454, -0.6927,  1.6098, -0.9626],[-1.2464, -0.6145,  1.3411,  0.5199],[ 0.4668,  1.2533, -1.4650, -0.2550]]])

验证第一行元素：

(embedding[0][0]-embedding[0][0].mean())/embedding[0][0].std(unbiased=False)
# tensor([ 1.5902, -0.8784,  0.1164, -0.8283])

验证所有元素

eps: float = 0.00001
mean = torch.mean(embedding[:, :, :], dim=(-1), keepdim=True)
var = torch.square(embedding[:, :, :] - mean).mean(dim=(-1), keepdim=True)print("mean: ", mean.shape)
print("y_custom: ", (embedding[:, :, :] - mean) / torch.sqrt(var + eps))

Reference

震惊！BERT用LayerNorm的可能不是你认为的那个Layer Norm？

关于BatchNorm与LayerNorm的一点认识