大模型面经——大模型中用到的归一化方法总结

大语言模型训练过程中的一个核心挑战，就是如何让网络稳定地收敛。尤其是面对NLP领域这种序列长度不一的样本，归一化（Normalization）操作就显得格外关键。这和计算机视觉（CV）领域那套方法有很大区别，CV里的归一化（比如BatchNorm）在NLP场景下常常水土不服。

长话短说，在LLM的世界里，归一化方法大致可以分为几大派别：LayerNorm、BatchNorm、RMSNorm和DeepNorm。

当然，我们还可以从归一化在Transformer结构中的

来区分，也就是大名鼎鼎的PostNorm和PreNorm之争。实践中，PostNorm的身影更为常见，但为什么它成了主流，背后是有一番说道的。

一、归一化方法

1. BatchNorm

BatchNorm的思路，是在一个batch内，对数据的某个特定维度进行归一化。这在图像处理领域是绝对的主力，因为图像数据维度固定，且batch内的样本性质一致。但把它直接搬到NLP，就有些尴尬了。序列数据的长度是不固定的，在batch这个维度上计算均值和方差，意义不大，甚至会引入不必要的噪声。

2. LayerNorm

可以说，LayerNorm是专门为序列数据量身定做的解决方案。它的核心思想，是对

（即某一层的所有激活值）进行归一化。具体来说，它会计算该层所有激活值的均值和方差，然后用它们将数据拉回到一个标准的分布上。

有时候面试会要求手撕公式，所以还是得熟悉一下。核心公式大致如下：

经过归一化后的激活值，就变成了这样：

3. RMSNorm

RMSNorm的出现，是为了解决LayerNorm在训练时的效率问题。你可以把它看作是LayerNorm的一个“轻量版”兄弟。关键区别在于归一化的方式：LayerNorm同时使用了均值和方差，而

。

公式上，它就像这样：

归一化后的值如下：

可以看到，LayerNorm包含“缩放”和“平移”两个步骤，而RMSNorm去掉了“平移”部分，只保留了“缩放”。这么做的理论依据在于，有研究指出，LayerNorm能够成功的关键，是缩放操作带来的缩放不变性，而非平移不变性。去掉平移，计算量自然就降下来了，训练速度更快，而最终效果不仅没打折扣，往往还能有所提升。

4. DeepNorm

DeepNorm是微软推出的一种归一化方法，它主要针对Transformer结构中的残差连接进行了修正。我们知道，当模型层数变得非常深（比如1000层）时，参数更新很容易出现“爆炸式”增长。DeepNorm的目标，就是把这个更新幅度限制在一个稳定的常数范围内。

它的实现思路很巧妙：在LayerNorm之前，对残差连接进行“上标度”（up-scale），同时在初始化阶段对模型参数进行“下标度”（down-scale）。这样一来，既兼顾了PreLN在浅层训练时的稳定性，又想达到PostLN在深层模型上的表现。著名的GLM-130B模型中，就采用了DeepNorm。

二、归一化位置

1. PostLN

在最初的Transformer架构中，采用的是PostLN结构——也就是在残差连接

，再进行LayerNorm操作，原理图如下。在实际的LLM训练过程中，人们发现PostLN在靠近输出层的梯度会非常大，这会导致训练不稳定。为了解决这个问题，通常需要配合学习率的warm up策略来调整。但即便如此，PostLN依然是大模型里的主流选择之一，有些模型甚至会采用PostLN与PreLN结合的方式，比如前面提到的GLM-130B。

2. PreLN

与PostLN相反，PreLN将LayerNorm放在残差连接的

。如上图所示，这种结构最大的好处是，每一层的梯度范数都大致相等，极大提升了训练的稳定性。相比PostLN，使用PreLN的深层Transformer训练起来更丝滑，但代价是模型性能会有一点点折损。为了确保训练过程的绝对稳定，很多现代大模型都选择了PreLN作为标准配置。