快捷方式

torch.nn.utils.spectral_norm

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

将频谱归一化应用于给定模块中的参数。

WSN=Wσ(W),σ(W)=maxh:h0Wh2h2\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}

谱归一化通过使用幂迭代法计算权重矩阵的谱范数 σ\sigma 对权重张量进行重新缩放,从而稳定生成对抗网络 (GAN) 中判别器 (评论家) 的训练。如果权重张量的维度大于 2,则在幂迭代法中将其重新塑造成 2D 以获取谱范数。这是通过一个钩子实现的,该钩子在每次 forward() 调用之前计算谱范数并重新缩放权重。

参见 用于生成对抗网络的谱归一化

参数
  • module (nn.Module) – 包含模块

  • name (str, optional) – 权重参数的名称

  • n_power_iterations (int, optional) – 计算谱范数的幂迭代次数

  • eps (float, optional) – 计算范数时的数值稳定性ε

  • dim (int, optional) – 与输出数量相对应的维度,默认值为 0,除了 ConvTranspose{1,2,3}d 的实例模块,其值为 1

返回

带有谱范数钩子的原始模块

返回类型

T_module

注意

此函数已使用 torch.nn.utils.parametrize.register_parametrization() 中的新参数化功能重新实现为 torch.nn.utils.parametrizations.spectral_norm()。请使用较新版本。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])

文档

访问 PyTorch 的全面开发人员文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源