torch.nn.utils.weight_norm

torch.nn.utils.weight_norm(module, name='weight', dim=0)

对给定模块中的参数应用权重归一化。

$$\mathbf{w} = g \dfrac{\mathbf{v}}{\|\mathbf{v}\|}$$

权重归一化是一种重参数化，它将权重张量的幅度和方向解耦。它用两个参数替换由 name 指定的参数（例如 'weight'）：一个指定幅度（例如 'weight_g'），一个指定方向（例如 'weight_v'）。权重归一化通过一个钩子实现，该钩子在每次 forward() 调用之前从幅度和方向重新计算权重张量。

默认情况下，当 dim=0 时，范数是为每个输出通道/平面独立计算的。要计算整个权重张量的范数，请使用 dim=None。

参见 https://arxiv.org/abs/1602.07868

警告

此函数已弃用。请使用 torch.nn.utils.parametrizations.weight_norm()，它使用现代的参数化 API。新的 weight_norm 与从旧 weight_norm 生成的 state_dict 兼容。

迁移指南

• 幅值（weight_g）和方向（weight_v）现在分别表示为 parametrizations.weight.original0 和 parametrizations.weight.original1。如果您对此感到困扰，请在 pytorch/pytorch#102999 上发表评论。

• 要移除权重归一化重参数化，请使用 torch.nn.utils.parametrize.remove_parametrizations()。

• 权重不再在模块前向传播时计算一次；相反，它将在每次访问时重新计算。要恢复旧行为，请在使用有问题的模块之前使用 torch.nn.utils.parametrize.cached()。

参数

• module (Module) – 包含的模块

• name (str, optional) – 权重参数的名称

• dim (int, optional) – 计算范数的维度

返回

带有权重归一化钩子的原始模块

返回类型

T_module

示例

>>> m = weight_norm(nn.Linear(20, 40), name='weight')
>>> m
Linear(in_features=20, out_features=40, bias=True)
>>> m.weight_g.size()
torch.Size([40, 1])
>>> m.weight_v.size()
torch.Size([40, 20])