python的负数索引理解

在 Python 中，负数索引用于从序列（如列表、元组或张量）的末尾开始计数。负数索引的理解方式如下：

-1 表示序列的最后一个元素。
-2 表示序列的倒数第二个元素。
以此类推。

例子：

假设我们有一个列表 list：

python 复制代码

lst = [10, 20, 30, 40, 50]

使用负数索引可以访问列表中的元素：

lst[-1] 返回 50，即列表的最后一个元素。
lst[-2] 返回 40，即列表的倒数第二个元素。
lst[-3] 返回 30，即列表的倒数第三个元素。

在 Layer Normalization 的实现中，负数索引用于计算需要进行归一化的维度索引。

假设 self.normalized_shape 是 [3, 4]，则 len(self.normalized_shape) 是 2。

因此，range(len(self.normalized_shape)) 生成 [0, 1]。

对于每个 i，计算 -(i+1)：

当 i = 0 时，-(i+1) = -1，表示最后一个维度。
当 i = 1 时，-(i+1) = -2，表示倒数第二个维度。

因此，dims 的值为 [-1, -2]，表示需要在最后两个维度上进行归一化。

结合实例讲解

假设我们有一个输入张量 x，其形状为 [2, 3, 4]，即批量大小为 2，通道数为 3，每个通道有 4 个元素。我们希望在通道和空间维度上进行归一化。

python 复制代码

import torch

x = torch.randn(2, 3, 4)  # 输入张量的形状为 [2, 3, 4]
normalized_shape = [3, 4]

# 计算需要进行 LN 的维度索引 dims
dims = [-(i+1) for i in range(len(normalized_shape))]
print(dims)  # 输出 [-1, -2]

# 计算特征图对应维度的均值和方差
mean = x.mean(dim=dims, keepdims=True)
mean_x2 = (x**2).mean(dim=dims, keepdims=True)
var = mean_x2 - mean**2

# 对输入 x 进行归一化
x_norm = (x - mean) / torch.sqrt(var + 1e-5)
print(x_norm)

这个例子中：

dims 的值为 [-1, -2]，表示需要在最后两个维度上进行归一化。
mean 和 var 分别是特征图对应维度的均值和方差。
x_norm 是归一化后的张量。

通过使用负数索引，我们可以方便地指定需要进行归一化的维度，而不需要显式地计算维度的索引。