torch.nn.init#

创建于: 2019年6月11日 | 最后更新于: 2022年7月7日

警告

本模块中的所有函数都旨在用于初始化神经网络参数，因此它们都在 torch.no_grad() 模式下运行，并且不会被 autograd 考虑在内。

torch.nn.init.calculate_gain(nonlinearity, param=None)[source]#

返回给定非线性函数的推荐增益值。

值如下

非线性函数	增益
Linear / Identity	$1$
Conv{1,2,3}D	$1$
Sigmoid	$1$
Tanh	$\frac{5}{3}$
ReLU	$\sqrt{2}$
Leaky Relu	$\sqrt{\frac{2}{1 + \text{negative\_slope}^2}}$
SELU	$\frac{3}{4}$

警告

为了实现 Self-Normalizing Neural Networks，您应该使用 nonlinearity='linear' 而不是 nonlinearity='selu'。这使得初始权重具有 1 / N 的方差，这对于在正向传播中产生稳定的不动点是必需的。相比之下，SELU 的默认增益会牺牲归一化效果，以换取更稳定的矩形层梯度流。

参数

nonlinearity (Literal['linear', 'conv1d', 'conv2d', 'conv3d', 'conv_transpose1d', 'conv_transpose2d', 'conv_transpose3d', 'sigmoid', 'tanh', 'relu', 'leaky_relu', 'selu']) – 非线性函数（nn.functional 名称）
param (Optional[Union[int, float]]) – 非线性函数的可选参数

返回类型

浮点数

示例

>>> gain = nn.init.calculate_gain(
...     "leaky_relu", 0.2
... )  # leaky_relu with negative_slope=0.2

torch.nn.init.uniform_(tensor, a=0.0, b=1.0, generator=None)[source]#

使用从均匀分布中抽取的数值填充输入张量。

$\mathcal{U}(a, b)$ .

参数

tensor (Tensor) – 一个 n 维 torch.Tensor
a (float) – 均匀分布的下界
b (float) – 均匀分布的上界
generator (Optional[Generator]) – 用于采样的 torch Generator（默认：None）

返回类型

张量

示例

>>> w = torch.empty(3, 5)
>>> nn.init.uniform_(w)

torch.nn.init.normal_(tensor, mean=0.0, std=1.0, generator=None)[source]#

使用从正态分布中抽取的数值填充输入张量。

$\mathcal{N}(\text{mean}, \text{std}^2)$ .

参数

tensor (Tensor) – 一个 n 维 torch.Tensor
mean (float) – 正态分布的均值
std (float) – 正态分布的标准差
generator (Optional[Generator]) – 用于采样的 torch Generator（默认：None）

返回类型

张量

示例

>>> w = torch.empty(3, 5)
>>> nn.init.normal_(w)

torch.nn.init.constant_(tensor, val)[source]#

用值 $\text{val}$ 填充输入张量。

参数

tensor (Tensor) – 一个 n 维 torch.Tensor
val (float) – 用于填充张量的值

返回类型

张量

示例

>>> w = torch.empty(3, 5)
>>> nn.init.constant_(w, 0.3)

torch.nn.init.ones_(tensor)[source]#

用标量值 1 填充输入张量。

参数: tensor (Tensor) – 一个 n 维 torch.Tensor
返回类型: 张量

示例

>>> w = torch.empty(3, 5)
>>> nn.init.ones_(w)

torch.nn.init.zeros_(tensor)[source]#

用标量值 0 填充输入张量。

参数: tensor (Tensor) – 一个 n 维 torch.Tensor
返回类型: 张量

示例

>>> w = torch.empty(3, 5)
>>> nn.init.zeros_(w)

torch.nn.init.eye_(tensor)[source]#

用单位矩阵填充二维输入 Tensor。

在 Linear 层中保留输入的同一性，尽可能多地保留输入。

参数: tensor (Tensor) – 一个二维 torch.Tensor
返回类型: 张量

示例

>>> w = torch.empty(3, 5)
>>> nn.init.eye_(w)

torch.nn.init.dirac_(tensor, groups=1)[source]#

用狄拉克 delta 函数填充 {3, 4, 5} 维的输入 Tensor。

在 Convolutional 层中保留输入的同一性，尽可能多地保留输入通道。如果 groups>1，每个通道组都保持同一性。

参数

tensor (Tensor) – 一个 {3, 4, 5} 维的 torch.Tensor
groups (int, optional) – 卷积层的组数（默认：1）

返回类型

张量

示例

>>> w = torch.empty(3, 16, 5, 5)
>>> nn.init.dirac_(w)
>>> w = torch.empty(3, 24, 5, 5)
>>> nn.init.dirac_(w, 3)

torch.nn.init.xavier_uniform_(tensor, gain=1.0, generator=None)[source]#

使用 Xavier 均匀分布填充输入 Tensor 的值。

该方法在 Understanding the difficulty of training deep feedforward neural networks - Glorot, X. & Bengio, Y. (2010) 中进行了描述。生成的张量将从中采样值 $\mathcal{U}(-a, a)$ ，其中

a = \text{gain} \times \sqrt{\frac{6}{\text{fan\_in} + \text{fan\_out}}}

也称为 Glorot 初始化。

参数

tensor (Tensor) – 一个 n 维 torch.Tensor
gain (float) – 可选的缩放因子
generator (Optional[Generator]) – 用于采样的 torch Generator（默认：None）

返回类型

张量

示例

>>> w = torch.empty(3, 5)
>>> nn.init.xavier_uniform_(w, gain=nn.init.calculate_gain("relu"))

torch.nn.init.xavier_normal_(tensor, gain=1.0, generator=None)[source]#

使用 Xavier 正态分布填充输入 Tensor 的值。

该方法在 Understanding the difficulty of training deep feedforward neural networks - Glorot, X. & Bengio, Y. (2010) 中进行了描述。生成的张量将从中采样值 $\mathcal{N}(0, \text{std}^2)$ ，其中

\text{std} = \text{gain} \times \sqrt{\frac{2}{\text{fan\_in} + \text{fan\_out}}}

也称为 Glorot 初始化。

参数

tensor (Tensor) – 一个 n 维 torch.Tensor
gain (float) – 可选的缩放因子
generator (Optional[Generator]) – 用于采样的 torch Generator（默认：None）

返回类型

张量

示例

>>> w = torch.empty(3, 5)
>>> nn.init.xavier_normal_(w)

torch.nn.init.kaiming_uniform_(tensor, a=0, mode='fan_in', nonlinearity='leaky_relu', generator=None)[source]#

使用 Kaiming 均匀分布填充输入 Tensor 的值。

该方法在 Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification - He, K. et al. (2015) 中进行了描述。生成的张量将从中采样值 $\mathcal{U}(-\text{bound}, \text{bound})$ ，其中

\text{bound} = \text{gain} \times \sqrt{\frac{3}{\text{fan\_mode}}}

也称为 He 初始化。

参数

tensor (Tensor) – 一个 n 维 torch.Tensor
a (float) – 此层之后使用的整流器的负斜率（仅当使用 'leaky_relu' 时使用）
mode (Literal['fan_in', 'fan_out']) – 'fan_in'（默认）或 'fan_out'。选择 'fan_in' 可保持前向传播中权值方差的大小。选择 'fan_out' 可保持反向传播中的大小。
nonlinearity (Literal['linear', 'conv1d', 'conv2d', 'conv3d', 'conv_transpose1d', 'conv_transpose2d', 'conv_transpose3d', 'sigmoid', 'tanh', 'relu', 'leaky_relu', 'selu']) – 非线性函数（nn.functional 名称），建议仅与 'relu' 或 'leaky_relu'（默认）一起使用。
generator (Optional[Generator]) – 用于采样的 torch Generator（默认：None）

返回类型

张量

示例

>>> w = torch.empty(3, 5)
>>> nn.init.kaiming_uniform_(w, mode="fan_in", nonlinearity="relu")

注意

请注意，fan_in 和 fan_out 的计算假定权重矩阵以转置方式使用（即，在 Linear 层中为 x @ w.T，其中 w.shape = [fan_out, fan_in]）。这对于正确的初始化很重要。如果您打算使用 x @ w，其中 w.shape = [fan_in, fan_out]，请传入一个转置的权重矩阵，例如 nn.init.kaiming_uniform_(w.T, ...)。

torch.nn.init.kaiming_normal_(tensor, a=0, mode='fan_in', nonlinearity='leaky_relu', generator=None)[source]#

使用 Kaiming 正态分布填充输入 Tensor 的值。

该方法在 Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification - He, K. et al. (2015) 中进行了描述。生成的张量将从中采样值 $\mathcal{N}(0, \text{std}^2)$ ，其中

\text{std} = \frac{\text{gain}}{\sqrt{\text{fan\_mode}}}

也称为 He 初始化。

参数

tensor (Tensor) – 一个 n 维 torch.Tensor
a (float) – 此层之后使用的整流器的负斜率（仅当使用 'leaky_relu' 时使用）
mode (Literal['fan_in', 'fan_out']) – 'fan_in'（默认）或 'fan_out'。选择 'fan_in' 可保持前向传播中权值方差的大小。选择 'fan_out' 可保持反向传播中的大小。
nonlinearity (Literal['linear', 'conv1d', 'conv2d', 'conv3d', 'conv_transpose1d', 'conv_transpose2d', 'conv_transpose3d', 'sigmoid', 'tanh', 'relu', 'leaky_relu', 'selu']) – 非线性函数（nn.functional 名称），建议仅与 'relu' 或 'leaky_relu'（默认）一起使用。
generator (Optional[Generator]) – 用于采样的 torch Generator（默认：None）

返回类型

张量

示例

>>> w = torch.empty(3, 5)
>>> nn.init.kaiming_normal_(w, mode="fan_out", nonlinearity="relu")

注意

torch.nn.init.trunc_normal_(tensor, mean=0.0, std=1.0, a=-2.0, b=2.0, generator=None)[source]#

使用截断正态分布填充输入张量的值。

这些值实际上是从正态分布 $\mathcal{N}(\text{mean}, \text{std}^2)$ 中抽取的，并在超出 $[a, b]$ 范围的值被重新绘制直到它们在范围内。生成随机值的方法在 $a \leq \text{mean} \leq b$ 时效果最好。

参数

tensor (Tensor) – 一个 n 维 torch.Tensor
mean (float) – 正态分布的均值
std (float) – 正态分布的标准差
a (float) – 最小截断值
b (float) – 最大截断值
generator (Optional[Generator]) – 用于采样的 torch Generator（默认：None）

返回类型

张量

示例

>>> w = torch.empty(3, 5)
>>> nn.init.trunc_normal_(w)

torch.nn.init.orthogonal_(tensor, gain=1, generator=None)[source]#

用（半）正交矩阵填充输入 Tensor。

在 Exact solutions to the nonlinear dynamics of learning in deep linear neural networks - Saxe, A. et al. (2013) 中进行了描述。输入张量必须至少有 2 个维度，对于大于 2 个维度的张量，其后面的维度将被展平。

参数

tensor (Tensor) – 一个 n 维 torch.Tensor，其中 $n \geq 2$
gain (float) – 可选的缩放因子
generator (Optional[Generator]) – 用于采样的 torch Generator（默认：None）

返回类型

张量

示例

>>> w = torch.empty(3, 5)
>>> nn.init.orthogonal_(w)

torch.nn.init.sparse_(tensor, sparsity, std=0.01, generator=None)[source]#

将二维输入 Tensor 填充为稀疏矩阵。

非零元素将从正态分布 $\mathcal{N}(0, 0.01)$ 中抽取，如 Deep learning via Hessian-free optimization - Martens, J. (2010) 所述。

参数

tensor (Tensor) – 一个 n 维 torch.Tensor
sparsity (float) – 每列中设置为零的元素的比例
std (float) – 用于生成非零值的正态分布的标准差
generator (Optional[Generator]) – 用于采样的 torch Generator（默认：None）

返回类型

张量

示例

>>> w = torch.empty(3, 5)
>>> nn.init.sparse_(w, sparsity=0.1)

torch.nn.init#

文档

教程

资源