rms_norm — LLMCORE `prepare` op

• データ種: tokens → tokens

• 呼び出し: import fullseye as fs; fs.ledger.rms_norm(tokens, eps: 'float' = 0.0, weight=None) -> 'np.ndarray' (実装を直接呼ぶなら import llmcore; llmcore.rms_norm(tokens, eps: 'float' = 0.0, weight=None) -> 'np.ndarray'、台帳から引くなら opsllmcore.get("rms_norm"))

使い方

RMS 正規化 → tokens。既定(eps=0, weight なし)では出力の RMS が厳密に 1。

Zhang・Sennrich 2019。LayerNorm から平均を引く段を落としたもので、残るのは

「行のノルムを揃える」だけ —— だから RMS が 1 になることが検算になる

(実測 2.2e-16)。`eps を入れると 1 からずれる。それが eps` の値段。

Args:

tokens: (T, d) float。1 行が 1 トークン。

eps: 平方根の中に足す下駄。0 なら RMS は厳密に 1、正なら 1 未満に縮む。

weight: (d,) float か None。学習で付く軸ごとの倍率(掛けるだけなので RMS は動く)。

Returns:

tokens (T, d) float: 各行を自分の RMS で割ったもの(`weight` があれば掛けたもの)。

全成分が 0 の行は割れないので ValueError(黙って 0/0 の NaN を返さない)。

詳しい使い方ガイド

• llmcore ファミリガイド

参考(サンプルデータ・文献)

• サンプルデータカタログ(DL URL / ライセンス) — 2-D は skimage.data(BSD/public)+ 合成、3-D は実データ源(Stanford/PDS 等)の DL URL。

• 演算子の来歴・参考文献 — この op 族の元になった研究/手法の出典。

• アルゴリズムの正典(著者・年)と用途は上記ファミリ使い方ガイドに記載。

実行できる例(この op を実際に呼ぶ検証済みサンプル)

• poc_attention_identities — py -3.11 examples/poc_attention_identities.py

型が繋がる次の op(`tokens` を入力に取れる)

rope_rotate · attention_scores · attention_apply · attention_softmax · attention_tiled · attention_linear · attention_grouped · kv_cache_decode

同カテゴリ(`prepare`)

rope_rotate

*Provenance: llmcore.py — LLMCORE operator registry. この per-op ノートは tools/opdocs.py md が自動生成(手編集しない)。*

rms_norm — LLMCORE prepare op

使い方