主流大模型使用的Normalization主要有三类，分别是Layer Norm，RMS Norm，以及Deep Norm。
小模型的正则化参考：
l1l2正则和dropout正则化[https://youzipi.blog.csdn.net/article/details/75307522]
LN和BN归一化 [深度学习：批归一化Batch Normalization]
Post-Norm和Pre-Norm
根据Normalization在结构中的位置，也可分为Post-Norm和Pre-Norm。
一般认为，Post-Norm在残差之后做归一化，对参数正则化的效果更强，进而模型的收敛性也会更好；
而Pre-Norm有一部分参数直接加在了后面，没有对这部分参数进行正则化，可以在反向时防止梯度爆炸或者梯度消失，大模型的训练难度大，因而使用Pre-Norm较多。
目前比较明确的结论是：同一设置之下，Pre Norm结构往往更容易训练，但最终效果通常不如Post Norm。Pre Norm更容易训练好理解，因为它的恒等路径更突出，但为什么它效果反而没那么好呢？[为什么Pre Norm的效果不如Post Norm？ - 科学空间|Scientific Spaces]
[【重新了解Transformer模型系列_1】PostNorm/PreNorm的差别 - 知乎]
RMS Norm
2019年的论文《Root Mean Square Layer Normalization》比较了去掉center后的Layer Normalization，文章称之为RMS Norm，但这篇论文总的结果显示：RMS Norm比Layer Normalization更快，效果也基本一致。RMS Norm还被Google用在了T5中，并且在另外的一篇文章《Do Transformer Modifications Transfer Across Implementations and Applications?》中做了比较充分的对比实验，显示出RMS Norm的优越性。这样看来，未来RMS Norm很可能将会取代Layer Normalization而成为Transformer的标配。
与layerNorm相比，RMS Norm的主要区别在于去掉了减去均值的部分。计算公式为：
这里的 ai与Layer Norm中的 x等价，作者认为这种模式在简化了Layer Norm的同时，可以在各个模型上减少约 7%∼64% 的计算时间
代码实现：https://github.com/bzhangGo/rms
[ 昇腾大模型|结构组件-1——Layer Norm、RMS Norm、Deep Norm]
Deep Norm
Deep Norm是对Post-LN的的改进，具体的：
- DeepNorm在进行Layer Norm之前会以 α参数扩大残差连接
- 在Xavier参数初始化过程中以 β减小部分参数的初始化范围
一些模型的具体参数使用方法如下：
这里N和M分别指编码和解码器的层数
论文中，作者认为 Post-LN 的不稳定性部分来自于梯度消失以及太大的模型更新，同时，有以下几个理论分析
- 定义了“预期模型更新”的概念表示 模型更新的规模量级
- 证明了 WQ和 WK不会改变注意力输出大小数量级的界限，因而 β 并没有缩小这部分参数
- 模型倾向于累积每个子层的更新，从而导致模型更新量呈爆炸式增长，从而使早期优化变得不稳定
- 使用Deep Norm 的 "预期模型更新"，在参数 α,β 取值适当的时候，以常数为界
同时，作者通过实验证实了Deep Norm在训练深层transformer模型的时候具备近乎恒定的更新规模，成功训练了1000层transformer的模型，认为Deep Norm在具备 Post-LN 的良好性能 的同时又有 Pre-LN 的稳定训练
代码实现：https://github.com/microsoft/to
from:深度学习：大模型的正则化_-柚子皮-的博客-CSDN博客
ref: