为什么Transformer要用LayerNorm？

其实已经有一个相似的问题在很早之前提出过了。transformer 为什么使用 layer normalization，而不是其他的归一化方法？ 这里我狗尾续貂，总结下看到的论文和一些知友的观点。如果有错请一定指出。 PS：我还在努力找