在AI领域，归一化层长久以来被视为现代神经网络的基石之一，然而，最新研究却颠覆了这一传统观念。知名科学家何恺明和Yann LeCun合作带来了令人振奋的突破——通过引入名为DyT（动态Tanh）的新型模块，仅用9行PyTorch代码便能完全取代LayerNorm或RMSNorm，且不仅保留了相同的性能，还在训练和推理效率上实现了大幅提升。这项研究成果已经成功入选2025年CVPR会议。

最近两天又被 Gemini 2.0 的图文混合生成刷屏了，我也简单上手体验了下，效果着实惊人！尤其是在一致性生成方面，连续生成的帧图很适合制作成 GIF，为了自动化这一过程，我甚至写了程序（lencx/ai-explore[1]）。模型简介去年 12 ...

近年来，深度学习技术的突破不断推动着技术应用的边界扩展，尤其是在Transformer架构的创新上，成为当下研究的热点之一。随着数据量的不断增大，模型的训练和推理效率显得尤为重要。在这一背景下，逐渐显现出“全新”“技术革新”“深度解析”等关键词的价值，吸引了众多企业和开发者的目光。

DyT适用于注意力块、FFN块和最终归一化层，尽管它可能看起来像是激活函数，但在这篇研究中不会改变原始架构中激活函数的任何部分，网络的其他部分也保持不变。

和用 Markdown 写文章一样，使用 Markdown 排版幻灯片最大的好处就是可以将注意力集中到内容上，而非排版上。这反映了我一开始的愿望：节省精力。