层归一化是针对某一样本的所有特征，批归一化是针对所有样本的某一特征。
计算公式：（当前值 - 均值）/ 标准差。
作用：缓解梯度消失和梯度爆炸的问题，并提高网络的泛化性能。
为什么Transform和BERT中使用层归一化而不使用批归一化？
对序列长度的适应性
层归一化：层归一化是对单个样本的所有特征维度进行归一化，不受序列长度的影响。在处理变长的序列数据时，如自然语言文本，无论句子长度如何变化，层归一化都能稳定地对每个样本进行归一化操作，使得模型能够更好地处理不同长度的输入序列。
批归一化：批归一化是对一批样本的同一特征维度进行归一化，当处理变长序列数据时，由于不同样本的序列长度可能不同，会导致在计算均值和方差时出现问题。比如，对于较短的序列，可能需要在末尾进行填充以达到与其他样本相同的长度，这会引入额外的噪声，影响归一化的效果。
模型训练的稳定性
层归一化：层归一化在计算归一化统计量时仅依赖于当前层的输入，不依赖于其他批次的样本，因此在训练过程中受批次大小变化的影响较小，能够更稳定地进行训练，有助于模型更快地收敛。
批归一化：批归一化的效果依赖于批次内样本的统计特性，如果批次大小较小，计算得到的均值和方差可能不准确，导致归一化效果不佳，进而影响模型的训练稳定性。而在 Transformer 和 BERT 等模型的训练中，由于数据的复杂性和硬件限制，有时可能无法使用较大的批次大小。
对并行计算的友好性
层归一化：层归一化在计算归一化时只需要对单个样本进行操作，不需要像批归一化那样等待整个批次的样本都准备好才能进行计算，因此更容易实现并行计算，能够更好地利用现代硬件的并行计算能力，提高训练和推理的效率。
批归一化：批归一化需要在批次维度上进行统计量的计算和归一化操作，这在一定程度上限制了并行计算的程度，尤其是在处理变长序列数据时，需要对不同长度的序列进行对齐和填充等操作，进一步增加了计算的复杂性和并行计算的难度。
与模型架构的契合度
层归一化：Transformer 和 BERT 等模型的架构主要是基于自注意力机制和多层感知机等组件构建的，这些组件的输入和输出都是单个样本的特征表示。层归一化能够直接对这些特征进行归一化，与模型的架构和计算流程更加契合，能够更好地融入到模型的整体结构中，有助于提高模型的性能。
批归一化：批归一化的设计初衷是针对卷积神经网络等模型，其主要目的是加速模型的训练和减少过拟合。在 Transformer 和 BERT 等模型中，批归一化的效果并不如在卷积神经网络中那么显著，而且可能会引入一些不必要的复杂性和计算开销。
位置信息编码
层归一化：在Transform中位置编码采用的是相对的位置编码，层归一化是对某个样本做线性变化，不会破坏其中的位置信息。
