torch.nn.init¶

警告

此模块中的所有函数都旨在用于初始化神经网络参数，因此它们都在 torch.no_grad() 模式下运行，不会被 autograd 考虑。

torch.nn.init.calculate_gain(nonlinearity, param=None)[源代码]¶

返回给定非线性函数的推荐增益值。

这些值如下所示

非线性	增益
线性/恒等	$1$
Conv{1,2,3}D	$1$
Sigmoid	$1$
Tanh	$\frac{5}{3}$
ReLU	$\sqrt{2}$
Leaky Relu	$\sqrt{\frac{2}{1 + \text{negative\_slope}^2}}$
SELU	$\frac{3}{4}$

警告

为了实现自归一化神经网络，您应该使用 nonlinearity='linear' 而不是 nonlinearity='selu'。这使得初始权重的方差为 1 / N，这对于在正向传递中引入稳定的固定点是必要的。相反，SELU 的默认增益为了在矩形层中获得更稳定的梯度流而牺牲了归一化效果。

参数

nonlinearity – 非线性函数（nn.functional 名称）
param – 非线性函数的可选参数

示例

>>> gain = nn.init.calculate_gain('leaky_relu', 0.2)  # leaky_relu with negative_slope=0.2

torch.nn.init.uniform_(tensor, a=0.0, b=1.0, generator=None)[source]¶

用从均匀分布中抽取的值填充输入张量。

$\mathcal{U}(a, b)$ .

参数

tensor (Tensor) – 一个 n 维的 torch.Tensor
a (float) – 均匀分布的下界
b (float) – 均匀分布的上界
generator (Optional[Generator]) – 用于采样的 torch 生成器（默认：None）

返回类型

Tensor

示例

>>> w = torch.empty(3, 5)
>>> nn.init.uniform_(w)

torch.nn.init.normal_(tensor, mean=0.0, std=1.0, generator=None)[source]¶

用从正态分布中抽取的值填充输入张量。

$\mathcal{N}(\text{mean}, \text{std}^2)$ .

参数

tensor (Tensor) – 一个 n 维的 torch.Tensor
mean (float) – 正态分布的均值
std (float) – 正态分布的标准差
generator (Optional[Generator]) – 用于采样的 torch 生成器（默认：None）

返回类型

Tensor

示例

>>> w = torch.empty(3, 5)
>>> nn.init.normal_(w)

torch.nn.init.constant_(tensor, val)[source]¶

用值 $\text{val}$ 填充输入张量。

参数

tensor (Tensor) – 一个 n 维的 torch.Tensor
val (float) – 用于填充张量的值

返回类型

Tensor

示例

>>> w = torch.empty(3, 5)
>>> nn.init.constant_(w, 0.3)

torch.nn.init.ones_(tensor)[source]¶

用标量值 1 填充输入张量。

参数: tensor (Tensor) – 一个 n 维的 torch.Tensor
返回类型: Tensor

示例

>>> w = torch.empty(3, 5)
>>> nn.init.ones_(w)

torch.nn.init.zeros_(tensor)[source]¶

用标量值 0 填充输入张量。

参数: tensor (Tensor) – 一个 n 维的 torch.Tensor
返回类型: Tensor

示例

>>> w = torch.empty(3, 5)
>>> nn.init.zeros_(w)

torch.nn.init.eye_(tensor)[source]¶

用单位矩阵填充二维输入 Tensor。

在 Linear 层中保留输入的恒等式，尽可能保留输入。

参数: tensor – 一个二维 torch.Tensor

示例

>>> w = torch.empty(3, 5)
>>> nn.init.eye_(w)

torch.nn.init.dirac_(tensor, groups=1)[source]¶

用狄拉克 delta 函数填充 {3, 4, 5} 维输入 Tensor。

在 Convolutional 层中保留输入的恒等式，尽可能保留输入通道。如果 groups>1，则每个通道组都保留恒等式。

参数

tensor – 一个 {3, 4, 5} 维 torch.Tensor
groups (int, optional) – 卷积层中的组数（默认：1）

示例

>>> w = torch.empty(3, 16, 5, 5)
>>> nn.init.dirac_(w)
>>> w = torch.empty(3, 24, 5, 5)
>>> nn.init.dirac_(w, 3)

torch.nn.init.xavier_uniform_(tensor, gain=1.0, generator=None)[source]¶

用 Xavier 均匀分布的值填充输入 Tensor。

该方法在 Understanding the difficulty of training deep feedforward neural networks - Glorot, X. & Bengio, Y. (2010) 中有描述。生成的张量将具有从 $\mathcal{U}(-a, a)$ 中采样的值，其中

a = \text{gain} \times \sqrt{\frac{6}{\text{fan\_in} + \text{fan\_out}}}

也称为 Glorot 初始化。

参数

tensor (Tensor) – 一个 n 维的 torch.Tensor
增益 (浮点数) – 可选的缩放因子
generator (Optional[Generator]) – 用于采样的 torch 生成器（默认：None）

返回类型

Tensor

示例

>>> w = torch.empty(3, 5)
>>> nn.init.xavier_uniform_(w, gain=nn.init.calculate_gain('relu'))

torch.nn.init.xavier_normal_(tensor, gain=1.0, generator=None)[source]¶

使用 Xavier 正态分布填充输入 Tensor 的值。

该方法在理解深度前馈神经网络训练的困难 - Glorot, X. & Bengio, Y. (2010) 中进行了描述。生成的张量将具有从 $\mathcal{N}(0, \text{std}^2)$ 中采样的值，其中

\text{std} = \text{gain} \times \sqrt{\frac{2}{\text{fan\_in} + \text{fan\_out}}}

也称为 Glorot 初始化。

参数

tensor (Tensor) – 一个 n 维的 torch.Tensor
增益 (浮点数) – 可选的缩放因子
generator (Optional[Generator]) – 用于采样的 torch 生成器（默认：None）

返回类型

Tensor

示例

>>> w = torch.empty(3, 5)
>>> nn.init.xavier_normal_(w)

torch.nn.init.kaiming_uniform_(tensor, a=0, mode='fan_in', nonlinearity='leaky_relu', generator=None)[source]¶

使用 Kaiming 均匀分布填充输入 Tensor 的值。

该方法在深入探究整流器：在 ImageNet 分类中超越人类水平的性能 - He, K. et al. (2015) 中进行了描述。生成的张量将具有从 $\mathcal{U}(-\text{bound}, \text{bound})$ 中采样的值，其中

\text{bound} = \text{gain} \times \sqrt{\frac{3}{\text{fan\_mode}}}

也称为 He 初始化。

参数

tensor (Tensor) – 一个 n 维的 torch.Tensor
a (浮点数) – 此层之后使用的整流器的负斜率（仅在使用 'leaky_relu' 时使用）
mode (字符串) – 'fan_in'（默认）或 'fan_out'。选择 'fan_in' 保留前向传递中权重方差的幅度。选择 'fan_out' 保留反向传递中的幅度。
nonlinearity (字符串) – 非线性函数（nn.functional 名称），建议仅与 'relu' 或 'leaky_relu'（默认）一起使用。
generator (Optional[Generator]) – 用于采样的 torch 生成器（默认：None）

示例

>>> w = torch.empty(3, 5)
>>> nn.init.kaiming_uniform_(w, mode='fan_in', nonlinearity='relu')

torch.nn.init.kaiming_normal_(tensor, a=0, mode='fan_in', nonlinearity='leaky_relu', generator=None)[source]¶

使用 Kaiming 正态分布填充输入 Tensor 的值。

该方法在深入探究整流器：在 ImageNet 分类中超越人类水平的性能 - He, K. et al. (2015) 中进行了描述。生成的张量将具有从 $\mathcal{N}(0, \text{std}^2)$ 中采样的值，其中

\text{std} = \frac{\text{gain}}{\sqrt{\text{fan\_mode}}}

也称为 He 初始化。

参数

tensor (Tensor) – 一个 n 维的 torch.Tensor
a (浮点数) – 此层之后使用的整流器的负斜率（仅在使用 'leaky_relu' 时使用）
mode (字符串) – 'fan_in'（默认）或 'fan_out'。选择 'fan_in' 保留前向传递中权重方差的幅度。选择 'fan_out' 保留反向传递中的幅度。
nonlinearity (字符串) – 非线性函数（nn.functional 名称），建议仅与 'relu' 或 'leaky_relu'（默认）一起使用。
generator (Optional[Generator]) – 用于采样的 torch 生成器（默认：None）

示例

>>> w = torch.empty(3, 5)
>>> nn.init.kaiming_normal_(w, mode='fan_out', nonlinearity='relu')

torch.nn.init.trunc_normal_(tensor, mean=0.0, std=1.0, a=-2.0, b=2.0, generator=None)[source]¶

用截断的正态分布填充输入张量。

这些值实际上是从正态分布 $\mathcal{N}(\text{mean}, \text{std}^2)$ 中抽取的，但超出 $[a, b]$ 范围的值会重新抽取，直到它们在边界内。用于生成随机值的该方法在 $a \leq \text{mean} \leq b$ 时效果最好。

参数

tensor (Tensor) – 一个 n 维的 torch.Tensor
mean (float) – 正态分布的均值
std (float) – 正态分布的标准差
a (float) – 最小截止值
b (float) – 最大截止值
generator (Optional[Generator]) – 用于采样的 torch 生成器（默认：None）

返回类型

Tensor

示例

>>> w = torch.empty(3, 5)
>>> nn.init.trunc_normal_(w)

torch.nn.init.orthogonal_(tensor, gain=1, generator=None)[source]¶

用（半）正交矩阵填充输入 Tensor。

在 Exact solutions to the nonlinear dynamics of learning in deep linear neural networks - Saxe, A. et al. (2013) 中描述。输入张量必须至少有 2 个维度，对于超过 2 个维度的张量，尾部维度将被扁平化。

参数

tensor – 一个 n 维的 torch.Tensor，其中 $n \geq 2$
gain – 可选的缩放因子
generator (Optional[Generator]) – 用于采样的 torch 生成器（默认：None）

示例

>>> w = torch.empty(3, 5)
>>> nn.init.orthogonal_(w)

torch.nn.init.sparse_(tensor, sparsity, std=0.01, generator=None)[source]¶

将 2D 输入 Tensor 填充为稀疏矩阵。

非零元素将从正态分布 $\mathcal{N}(0, 0.01)$ 中抽取，如 Deep learning via Hessian-free optimization - Martens, J. (2010) 中所述。

参数

tensor – 一个 n 维的 torch.Tensor
sparsity – 每列中设置为零的元素比例
std – 用于生成非零值的正态分布的标准差
generator (Optional[Generator]) – 用于采样的 torch 生成器（默认：None）

示例

>>> w = torch.empty(3, 5)
>>> nn.init.sparse_(w, sparsity=0.1)

torch.nn.init¶

文档

教程

资源