[object Object]

[object Object][object Object]undefined[object Object]

• 接口功能：的反向传播。用于计算输入张量的梯度，以便在反向传播过程中更新模型参数。

• 计算公式：

  正向：

  $$out = LayerNorm(input)\times(1+scale)+shift$$

  反向：

  $$z = (input - mean) \times rstd$$ $$dy\_g = gradOut \times weightOptional \times (1 + scale)$$ $$temp_1 = 1/N \times \sum_{reduce\_axis\_2} (gradOut \times weightOptional \times (1 + scale))$$ $$temp_2 = 1/N \times (input - mean) \times rstd \times \sum_{reduce\_axis\_2}(gradOut \times weightOptional \times (1 + scale) \times (input - mean) \times rstd)$$ $$gradInputOut = (gradOut \times weightOptional \times (1 + scale) - (temp_1 + temp_2)) \times rstd$$ $$gradScaleOut = \sum_{reduce\_axis\_1}(gradOut \times ((input - mean) \times rstd \times weightOptional + biasOptional))$$ $$gradShiftOut = \sum_{reduce\_axis\_1}gradOut$$ $$gradWeightOut = \sum_{reduce\_axis\_0,1}gradOut \times (1 + scale) \times (input - mean) \times rstd$$ $$gradBiasOut = \sum_{reduce\_axis\_0,1}gradOut \times (1 + scale)$$

  其中，N为进行归一化计算的轴的维度，即归一化轴维度的大小。

[object Object]

每个算子分为，必须先调用“aclnnAdaLayerNormBackwardGetWorkspaceSize”接口获取计算所需workspace大小以及包含了算子计算流程的执行器，再调用“aclnnAdaLayerNormBackward”接口执行计算。

[object Object]

• 参数说明

  [object Object]

• 返回值

  aclnnStatus：返回状态码，具体参见。

  第一段接口完成入参校验，出现以下场景时报错：

  [object Object]

[object Object]

• 参数说明

  [object Object]

• 返回值

  aclnnStatus：返回状态码，具体参见。

[object Object]

• 混合精度搭配：

  • AdaLayerNormBackward算子下列参数数据类型一致：

    [object Object]undefined

  • 上述两类数据类型固定搭配类型为（左侧和右侧数据类型严格对应）：

    [object Object]undefined

• 确定性计算：

  • aclnnAdaLayerNormBackward默认确定性实现。

[object Object]

示例代码如下，仅供参考，具体编译和执行过程请参考。