加入LayerNormalization减慢运行速度

相对于Batch Normalization，Layer Normalization在计算上更加简单，因此在一些深度学习模型中被广泛使用。但是，由于Layer Normalization是对每个样本单独计算均值和方差，因此在样本数较大的情况下，会增加模型的计算量，从而导致运行速度变慢。

另外，Layer Normalization的效果和适用性也与具体的任务和数据特点有关，不是所有的模型和数据都适合使用Layer Normalization，需要根据实际情况进行选择和调整。

综上所述，虽然Layer Normalization相对于Batch Normalization在计算上更加简单，但在样本数较大的情况下会增加模型的计算量，因此需要权衡计算复杂度和模型效果，合理选择适合的归一化方法。