Machine learning 层标准化层中β和γ参数的形状是什么？
在层标准化中，我们计算输入层的平均值和方差（而不是我们在批标准化中所做的跨批）。然后根据均值和方差对输入层进行归一化，然后返回gamma乘以归一化层加上beta 我的问题是，伽马标量和贝塔标量的形状分别是（1，1）和（1，1），或者它们的形状分别是（1，隐藏单位数）和（1，隐藏单位数） 下面是我如何实现层规范化的，是否正确Machine learning 层标准化层中β和γ参数的形状是什么？,machine-learning,neural-network,deep-learning,Machine Learning,Neural Network,Deep Learning,在层标准化中，我们计算输入层的平均值和方差（而不是我们在批标准化中所做的跨批）。然后根据均值和方差对输入层进行归一化，然后返回gamma乘以归一化层加上beta 我的问题是，伽马标量和贝塔标量的形状分别是（1，1）和（1，1），或者它们的形状分别是（1，隐藏单位数）和（1，隐藏单位数） 下面是我如何实现层规范化的，是否正确 def图层格式（图层、伽马、贝塔）： 平均值=np.平均值（层，轴=1，keepdims=True） 方差=np.平均值（（层-平均值）**2，轴=1，keepdims=Tr
def图层格式（图层、伽马、贝塔）：
平均值=np.平均值（层，轴=1，keepdims=True）
方差=np.平均值（（层-平均值）**2，轴=1，keepdims=True）
层=层-平均值）*1.0/np.sqrt（方差+1e-8）
输出=伽马*层+β
返回输出
gamma=np.random.normal（1128）
β=np.随机.正常（1128）
[B，rest]restrest