文章目錄

• 1、init.uniform
• 2、nn.init.normal
• 3、nn.init.constant
• 4、nn.init.eye
• 5、nn.init.dirac
• 6、nn.init.xavier_uniform
• 7、nn.init.xavier_normal
• 8、nn.init.kaiming_uniform
• 9、nn.init.kaiming_normal
• 10、nn.init.orthogonal
• 11、nn.init.sparse

1、init.uniform

init.uniform(tensor, a=0, b=1)>>> w = torch.Tensor(3, 5) >>> nn.init.uniform(w)

從均勻分布 $\mathcal{U}(a,b)$中生成值，填充輸入的張量或變量

Parameters：

• tensor - n維的torch.Tensor
• a - 均勻分布的下界
• b - 均勻分布的上界

2、nn.init.normal

nn.init.normal(tensor, mean=0, std=1)>>> w = torch.Tensor(3, 5) >>> nn.init.normal(w)

從給定均值和標準差的正態分布 $\mathcal{N}(mean,std)$中生成值，填充輸入的張量或變量

Parameters：

• tensor – n維的torch.Tensor
• mean – 正態分布的均值
• std – 正態分布的標準差

3、nn.init.constant

nn.init.constant(tensor, val)>>> w = torch.Tensor(3, 5) >>> nn.init.constant(w)

用val的值填充輸入的張量或變量

Parameters：

• tensor – n維的torch.Tensor 或 autograd.Variable
• val – 用來填充張量的值

4、nn.init.eye

nn.init.eye(tensor)>>> w = torch.Tensor(3, 5) >>> nn.init.eye(w)

用單位矩陣來填充2維輸入張量或變量。在線性層盡可能多的保存輸入特性

Parameters：

• tensor – 2維的torch.Tensor 或 autograd.Variable

5、nn.init.dirac

nn.init.dirac(tensor)>>> w = torch.Tensor(3, 16, 5, 5) >>> nn.init.dirac(w)

用Dirac $\delta$ 函數來填充{3, 4, 5}維輸入張量或變量。在卷積層盡可能多的保存輸入通道特性

Parameters：

• tensor – {3, 4, 5}維的torch.Tensor 或 autograd.Variable

6、nn.init.xavier_uniform

nn.init.xavier_uniform(tensor, gain=1)>>> w = torch.Tensor(3, 5) >>> nn.init.xavier_uniform(w, gain=math.sqrt(2.0))

用一個均勻分布生成值，填充輸入的張量或變量。結果張量中的值采樣自U(-a, a)，其中 $a=gain?\sqrt{\frac{6}{fan\_in+fan\_out}}$，該方法也被稱為Glorot initialisation
參考：Glorot, X.和Bengio, Y.等“Understanding the difficulty of training deep feedforward neural networks”

Parameters：

• tensor – n維的torch.Tensor
• gain - 可選的縮放因子

7、nn.init.xavier_normal

nn.init.xavier_normal(tensor, gain=1)>>> w = torch.Tensor(3, 5) >>> nn.init.xavier_normal(w)

用一個正態分布生成值，填充輸入的張量或變量。結果張量中的值采樣自均值為0，標準差為 $gain?\sqrt{\frac{2}{fan\_in+fan\_out}}$ 的正態分布。也被稱為Glorot initialisation
參考：Glorot, X.和Bengio, Y. 等“Understanding the difficulty of training deep feedforward neural networks”

Parameters：

• tensor – n維的torch.Tensor
• gain - 可選的縮放因子

8、nn.init.kaiming_uniform

nn.init.kaiming_uniform(tensor, a=0, mode='fan_in',nonlinearity='leaky_relu')>>> w = torch.Tensor(3, 5) >>> nn.init.kaiming_uniform(w, mode='fan_in')

用一個均勻分布生成值，填充輸入的張量或變量。結果張量中的值采樣自U(-bound, bound)，其中 $bound=gain\times \sqrt{\frac{3}{fan\_mode}}$，也被稱為He initialisation
參考：He, K等“Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification”

Parameters：

• tensor – n維的torch.Tensor或autograd.Variable
• a -這層之后使用的rectifier的斜率系數（ReLU的默認值為0）
• mode -可以為“fan_in”（默認）或 “fan_out”
  “fan_in”保留前向傳播時權值方差的量級
  “fan_out”保留反向傳播時的量級
• nonlinearity=‘leaky_relu’ - 非線性函數 建議“relu”或“leaky_relu”（默認值）使用。

9、nn.init.kaiming_normal

nn.init.kaiming_normal(tensor, a=0, mode='fan_in')>>> w = torch.Tensor(3, 5) >>> nn.init.kaiming_normal(w, mode='fan_out')

用一個正態分布生成值，填充輸入的張量或變量。結果張量中的值采樣自均值為0，標準差為 $std=\sqrt{\frac{2}{(1+a^2)?fa{n}_{i}n}}$ 的正態分布
參考：He, K 在 “Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification”

Parameters：

• tensor – n維的torch.Tensor或 autograd.Variable
• a -這層之后使用的rectifier的斜率系數（ReLU的默認值為0）
• mode -可以為“fan_in”（默認）或 “fan_out”
  “fan_in”保留前向傳播時權值方差的量級
  “fan_out”保留反向傳播時的量級

10、nn.init.orthogonal

nn.init.orthogonal(tensor, gain=1)>>> w = torch.Tensor(3, 5) >>> nn.init.orthogonal(w)

用（半）正交矩陣填充輸入的張量或變量。輸入張量必須至少是2維的，對于更高維度的張量，超出的維度會被展平，視作行等于第一個維度，列等于稀疏矩陣乘積的2維表示
【其中非零元素生成自均值為0，標準差為std的正態分布】
參考：Saxe, A等人(2013)的“Exact solutions to the nonlinear dynamics of learning in deep linear neural networks”

Parameters：

• tensor – n維的torch.Tensor 或 autograd.Variable，其中n>=2
• gain -可選

11、nn.init.sparse

nn.init.sparse(tensor, sparsity, std=0.01)>>> w = torch.Tensor(3, 5) >>> nn.init.sparse(w, sparsity=0.1)

將2維的輸入張量或變量當做 稀疏矩陣填充，其中非零元素根據一個均值為0，標準差為std的正態分布生成
參考：Martens, J.(2010)的 “Deep learning via Hessian-free optimization”

Parameters：

• tensor – n維的torch.Tensor或autograd.Variable
• sparsity - 每列中需要被設置成零的元素比例
• std - 用于生成非零值的正態分布的標準差

總結

以上是生活随笔為你收集整理的【细聊】torch.nn.init 初始化的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。