La normalisation par couche standardise les entrées sur toutes les caractéristiques d'un seul exemple d'entraînement, plutôt que sur le lot. Elle stabilise et accélère l'entraînement en maintenant les activations à des échelles cohérentes, et est un composant clé des architectures transformer. Contrairement à la normalisation par lots, elle fonctionne de la même façon quelle que soit la taille du lot.