torch.nn.utils.parametrizations.spectral_norm#

torch.nn.utils.parametrizations.spectral_norm(module, name='weight', n_power_iterations=1, eps=1e-12, dim=None)[源代码]#

对给定模块中的参数应用谱归一化。

\mathbf{W}_{SN} = \dfrac{\mathbf{W}}{\sigma(\mathbf{W})}, \sigma(\mathbf{W}) = \max_{\mathbf{h}: \mathbf{h} \ne 0} \dfrac{\|\mathbf{W} \mathbf{h}\|_2}{\|\mathbf{h}\|_2}

当应用于向量时，它简化为

\mathbf{x}_{SN} = \dfrac{\mathbf{x}}{\|\mathbf{x}\|_2}

谱归一化通过降低模型的Lipschitz常数来稳定生成对抗网络（GAN）中判别器（critic）的训练。 $\sigma$ 是利用幂法进行一次迭代来近似的，每次访问权重时都会进行。如果权重张量的维度大于2，则在幂法中会将其重塑为2D以获得谱范数。

请参阅 Spectral Normalization for Generative Adversarial Networks。

注意

此函数使用 register_parametrization() 中的参数化功能来实现。它是 torch.nn.utils.spectral_norm() 的重新实现。

注意

当注册此约束时，将估计与最大奇异值相关的奇异向量，而不是随机采样。然后，当模块在训练模式下访问张量时，会通过进行 n_power_iterations 次幂法来更新它们。

注意

如果 _SpectralNorm 模块，即 module.parametrization.weight[idx]，在移除时处于训练模式，它将执行另一次幂迭代。如果您想避免此迭代，请在移除模块之前将其设置为评估模式。

参数

module (nn.Module) – 包含的模块
name (str, optional) – 权重参数的名称。默认为 "weight"。
n_power_iterations (int, optional) – 计算谱范数的幂迭代次数。默认为 1。
eps (float, optional) – 计算范数时用于数值稳定性的 epsilon。默认为 1e-12。
dim (int, optional) – 对应于输出数量的维度。默认为 0，但对于 ConvTranspose{1,2,3}d 类型的模块，它为 1

返回

注册了新参数化的原始模块，该参数化已应用于指定的权重

返回类型

模块

示例

>>> snm = spectral_norm(nn.Linear(20, 40))
>>> snm
ParametrizedLinear(
  in_features=20, out_features=40, bias=True
  (parametrizations): ModuleDict(
    (weight): ParametrizationList(
      (0): _SpectralNorm()
    )
  )
)
>>> torch.linalg.matrix_norm(snm.weight, 2)
tensor(1.0081, grad_fn=<AmaxBackward0>)

torch.nn.utils.parametrizations.spectral_norm#

文档

教程

资源