torch.nn.utils.spectral_norm

torch.nn.utils.spectral_norm(module, name='weight', n_power_iterations=1, eps=1e-12, dim=None)

对给定模块中的参数应用谱归一化。

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

谱归一化（Spectral normalization）通过利用幂迭代法计算权重矩阵的谱范数 $\sigma$，并以此对权重张量进行缩放，从而稳定生成对抗网络（GANs）中判别器（Critic）的训练。如果权重张量的维度大于 2，则在幂迭代法中会将其重塑为二维以获取谱范数。该功能是通过一个钩子（hook）实现的，它会在每次 forward() 调用前计算谱范数并重新缩放权重。

请参阅 Spectral Normalization for Generative Adversarial Networks。

参数:

• module (nn.Module) – 包含的模块

• name (str, optional) – 权重参数的名称

• n_power_iterations (int, 可选) – 计算谱范数所需的幂迭代次数

• eps (float, 可选) – 用于计算范数时保持数值稳定性的 epsilon 值

• dim (int, 可选) – 对应输出数量的维度。默认值为 0，但对于 ConvTranspose{1,2,3}d 的实例模块，默认值为 1

返回:

带有谱归一化钩子的原始模块

返回类型:

T_module

注意

此函数已使用 torch.nn.utils.parametrize.register_parametrization() 中新的参数化功能，重新实现为 torch.nn.utils.parametrizations.spectral_norm()。请使用较新的版本。此函数将在 PyTorch 的未来版本中弃用。

示例

>>> m = spectral_norm(nn.Linear(20, 40))
>>> m
Linear(in_features=20, out_features=40, bias=True)
>>> m.weight_u.size()
torch.Size([40])