rms_norm — LLMCORE `prepare` op

• 데이터 종류: tokens → tokens

• 호출: import fullseye as fs; fs.ledger.rms_norm(tokens, eps: 'float' = 0.0, weight=None) -> 'np.ndarray'(구현을 직접 호출하려면 import llmcore; llmcore.rms_norm(tokens, eps: 'float' = 0.0, weight=None) -> 'np.ndarray', 원장에서 가져오려면 opsllmcore.get("rms_norm"))

사용법

> 이 연산자의 설명은 아직 번역이 없습니다. 원문을 그대로 싣습니다.

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)。

자세한 사용 가이드

• llmcore 패밀리 가이드

참고(샘플 데이터·문헌)

• 샘플 데이터 카탈로그(DL URL / 라이선스) —— 2-D 는 skimage.data(BSD/public)+ 합성, 3-D 는 실데이터 소스(Stanford/PDS 등)의 DL URL.

• 연산자의 내력·참고문헌 —— 이 연산자 족의 바탕이 된 연구/기법의 출처.

• 알고리즘의 정전(저자·연도)과 용도는 위의 패밀리 사용 가이드에 적혀 있습니다.

실행 가능한 예제(이 연산자를 실제로 호출하는 검증된 샘플)

• poc_attention_identities — py -3.11 examples/poc_attention_identities.py

타입이 이어지는 다음 연산자(`tokens` 를 입력으로 받는 것)

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

같은 카테고리(`prepare`)

rope_rotate

*Provenance: llmcore.py — LLMCORE 연산자 레지스트리. 이 op 노트는 tools/opdocs.py md 가 자동 생성합니다(직접 편집하지 마세요).*

rms_norm — LLMCORE prepare op

사용법