torch.nn.utils.parametrizations.orthogonal

torch.nn.utils.parametrizations.orthogonal(module, name='weight', orthogonal_map=None, *, use_trivialization=True)

对矩阵或批量矩阵应用正交或酉参数化。

设 $\mathbb{K}$ 为 $\mathbb{R}$ 或 $\mathbb{C}$，参数化矩阵 $Q \in \mathbb{K}^{m \times n}$ 是 正交的，因为

$$\begin{align*} Q^{\text{H}}Q &= \mathrm{I}_n \mathrlap{\qquad \text{if }m \geq n}\\ QQ^{\text{H}} &= \mathrm{I}_m \mathrlap{\qquad \text{if }m < n} \end{align*}$$

其中 $Q^{\text{H}}$ 是当 $Q$ 是复数时的共轭转置，当 $Q$ 是实值时的转置，并且 $\mathrm{I}_n$ 是 n 维单位矩阵。简而言之，当 $m \geq n$ 时，$Q$ 将具有标准正交列，否则将具有标准正交行。

如果张量具有两个以上的维度，我们将其视为形状为 (…, m, n) 的矩阵批次。

矩阵 $Q$ 可以通过三种不同的 orthogonal_map 根据原始张量进行参数化

• "matrix_exp"/"cayley"：matrix_exp() $Q = \exp(A)$ 和 Cayley 映射 $Q = (\mathrm{I}_n + A/2)(\mathrm{I}_n - A/2)^{-1}$ 应用于斜对称矩阵 $A$ 以给出正交矩阵。

• "householder"：计算 Householder 反射器的乘积 (householder_product())。

"matrix_exp"/"cayley" 通常使参数化权重比 "householder" 收敛更快，但对于非常薄或非常宽的矩阵，它们的计算速度较慢。

如果 use_trivialization=True（默认），则参数化实现“动态平凡化框架”，其中额外的矩阵 $B \in \mathbb{K}^{n \times n}$ 存储在 module.parametrizations.weight[0].base 下。这有助于参数化层的收敛，但以牺牲一些额外的内存使用为代价。请参阅 流形上基于梯度的优化的平凡化 。

$Q$ 的初始值：如果原始张量未参数化且 use_trivialization=True（默认），则如果原始张量是正交的（或复数情况下的酉），则 $Q$ 的初始值与原始张量相同，否则通过 QR 分解进行正交化（请参阅 torch.linalg.qr()）。当未参数化且 orthogonal_map="householder" 时，即使 use_trivialization=False 时也是如此。否则，初始值是将所有已注册的参数化应用于原始张量的结果的组合。

注意

此函数使用 register_parametrization() 中的参数化功能实现。

参数

• module (nn.Module) – 要在其上注册参数化的模块。

• name (str, 可选) – 要进行正交化的张量的名称。默认值："weight"。

• orthogonal_map (str, 可选) – 以下之一："matrix_exp"、"cayley"、"householder"。默认值：如果矩阵是方形或复数，则为 "matrix_exp"，否则为 "householder"。

• use_trivialization (bool, 可选) – 是否使用动态平凡化框架。默认值：True。

返回值

注册了正交参数化到指定权重的原始模块

返回类型

Module

示例

>>> orth_linear = orthogonal(nn.Linear(20, 40))
>>> orth_linear
ParametrizedLinear(
in_features=20, out_features=40, bias=True
(parametrizations): ModuleDict(
    (weight): ParametrizationList(
    (0): _Orthogonal()
    )
)
)
>>> Q = orth_linear.weight
>>> torch.dist(Q.T @ Q, torch.eye(20))
tensor(4.9332e-07)