torch.nn.utils.parametrizations.spectral_norm

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

将谱归一化应用于给定模块中的参数。

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

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（评论家）的训练。 $\sigma$ 每次访问权重时，都会通过执行一次幂迭代法来近似 。 如果权重张量的维度大于 2，则会在幂迭代方法中将其重塑为 2D 以获得谱范数。

参见 Spectral Normalization for Generative Adversarial Networks 。

注意

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

注意

注册此约束后，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，每当在 training 模式下通过模块访问张量时，都会执行 n_power_iterations 次幂迭代法来更新这些向量。

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，请在移除之前将模块设置为 eval 模式。

参数

• module (nn.Module) – 包含模块

• name (str, optional) – 权重参数的名称。 默认值： "weight"。

• n_power_iterations (int, optional) – 用于计算谱范数的幂迭代次数。 默认值： 1。

• eps (float, optional) – 用于计算范数时数值稳定性的 epsilon。 默认值： 1e-12。

• dim (int, optional) – 对应于输出数量的维度。 默认值： 0，但 ConvTranspose{1,2,3}d 的实例模块除外，此时为 1

返回值

注册新参数化到指定权重的原始模块

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>)