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范数归一化。

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

谱范数归一化（Spectral normalization）通过使用幂迭代方法计算权重矩阵的谱范数 $\sigma$，并用其重新缩放权重张量，来稳定生成对抗网络（GANs）中判别器（critic）的训练。如果权重张量的维度大于 2，则在幂迭代方法中会将其重塑为 2D 以获得谱范数。这通过一个钩子实现，该钩子在每次 forward() 调用之前计算谱范数并重新缩放权重。

参阅 Spectral Normalization for Generative Adversarial Networks 。

参数

• module (nn.Module) – 包含参数的模块

• name (str, 可选) – 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) – 用于计算范数时数值稳定性的 epsilon 值

• dim (int, 可选) – 对应输出维度的维度，默认值为 0，但 ConvTranspose{1,2,3}d 模块实例除外，其默认值为 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，被重新实现为 torch.nn.utils.parametrizations.spectral_norm()。请使用较新的版本。此函数将在未来版本的 PyTorch 中被弃用。

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])