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，并且不会被 autograd 记录。

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

返回给定非线性函数的推荐增益值。

值如下：

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 (Self-Normalizing Neural Networks)，您应该使用 nonlinearity='linear' 而不是 nonlinearity='selu'。这使得初始权重具有 1 / N 的方差，这对于在前向传播中产生稳定的不动点是必需的。相比之下，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][source]¶

用均匀分布的值填充输入 Tensor。

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

参数

tensor (Tensor) – 一个 n 维 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 Generator（默认值：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][source]¶

用正态分布的值填充输入 Tensor。

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

参数

tensor (Tensor) – 一个 n 维 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 Generator（默认值：None）

返回类型

Tensor

示例

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

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

用值 $\text{val}$ 填充输入 Tensor。

参数

tensor (Tensor) – 一个 n 维 torch.Tensor
val (float) – 用于填充 Tensor 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][source]¶

用标量值 1 填充输入 Tensor。

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

示例

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

torch.nn.init.zeros_(tensor)[source][source]¶

用标量值 0 填充输入 Tensor。

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

示例

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

torch.nn.init.eye_(tensor)[source][source]¶

用单位矩阵填充2维输入 Tensor。

在 Linear 层中保持输入的恒等性，尽可能多地保留输入。

参数: tensor – 一个2维 torch.Tensor

示例

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

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

用 Dirac delta 函数填充 {3, 4, 5} 维输入 Tensor。

在 Convolutional 层中保持输入的恒等性，尽可能多地保留输入通道。如果 groups>1，则每组通道都保持恒等性。

参数

tensor – 一个 {3, 4, 5} 维 torch.Tensor
groups (int, optional) – 卷积层中的分组数量（默认值：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][source]¶

使用 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) 中有所描述。结果 Tensor 的值将从 $\mathcal{U}(-a, a)$ 采样，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 torch.Tensor
gain (float) – 可选的缩放因子
generator (Optional[Generator]) – 用于采样的 torch Generator（默认值：None）

返回类型

Tensor

示例

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

注意

请注意，fan_in 和 fan_out 是在假设权重矩阵以转置方式使用的情况下计算的（即在 Linear 层中为 x @ w.T，其中 w.shape = [fan_out, fan_in]）。这对于正确的初始化至关重要。如果您打算使用 x @ w，其中 w.shape = [fan_in, fan_out]，请传入一个转置的权重矩阵，例如 nn.init.xavier_uniform_(w.T, ...)。

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

使用 Xavier 正态分布的值填充输入 Tensor。

该方法在 Understanding the difficulty of training deep feedforward neural networks - Glorot, X. & Bengio, Y. (2010) 中有所描述。结果 Tensor 的值将从 $\mathcal{N}(0, \text{std}^2)$ 采样，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 torch.Tensor
gain (float) – 可选的缩放因子
generator (Optional[Generator]) – 用于采样的 torch Generator（默认值：None）

返回类型

Tensor

示例

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

注意

请注意，fan_in 和 fan_out 是在假设权重矩阵以转置方式使用的情况下计算的（即在 Linear 层中为 x @ w.T，其中 w.shape = [fan_out, fan_in]）。这对于正确的初始化至关重要。如果您打算使用 x @ w，其中 w.shape = [fan_in, fan_out]，请传入一个转置的权重矩阵，例如 nn.init.xavier_normal_(w.T, ...)。

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

使用 Kaiming 均匀分布的值填充输入 Tensor。

该方法在 Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification - He, K. 等 (2015) 中有所描述。结果 Tensor 的值将从 $\mathcal{U}(-\text{bound}, \text{bound})$ 采样，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 torch.Tensor
a (float) – 此层之后使用的整流函数的负斜率（仅用于 'leaky_relu'）
mode (str) – 'fan_in'（默认）或 'fan_out'。选择 'fan_in' 在前向传播中保留权重的方差大小。选择 'fan_out' 在反向传播中保留大小。
nonlinearity (str) – 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 Generator（默认值：None）

示例

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

注意

请注意，fan_in 和 fan_out 的计算是假设权重矩阵以转置方式使用（例如，在 Linear 层中为 x @ w.T，其中 w.shape = [fan_out, fan_in]）。这对于正确的初始化很重要。如果您打算使用 x @ w，其中 w.shape = [fan_in, fan_out]，则传入一个转置的权重矩阵，即 nn.init.kaiming_uniform_(w.T, ...)。

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

使用 Kaiming 正态分布填充输入的张量的值。

该方法在 Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification - He, K. et al. (2015) 中有描述。得到的张量将具有从 $\mathcal{N}(0, \text{std}^2)$ 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 torch.Tensor
a (float) – 此层之后使用的整流函数的负斜率（仅用于 'leaky_relu'）
mode (str) – 'fan_in'（默认）或 'fan_out'。选择 'fan_in' 在前向传播中保留权重的方差大小。选择 'fan_out' 在反向传播中保留大小。
nonlinearity (str) – 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 Generator（默认值：None）

示例

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

注意

请注意，fan_in 和 fan_out 的计算是假设权重矩阵以转置方式使用（例如，在 Linear 层中为 x @ w.T，其中 w.shape = [fan_out, fan_in]）。这对于正确的初始化很重要。如果您打算使用 x @ w，其中 w.shape = [fan_in, fan_out]，则传入一个转置的权重矩阵，即 nn.init.kaiming_normal_(w.T, ...)。

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

使用截断正态分布填充输入的张量。

值实际上是从正态分布 $\mathcal{N}(\text{mean}, \text{std}^2)$ 中抽取的，超出范围 $[a, b]$ 的值会被重新抽取，直到它们在界限内。用于生成随机值的方法在 $a \leq \text{mean} \leq b$ 时效果最佳。

参数

tensor (Tensor) – 一个 n 维 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 Generator（默认值：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][source]¶

使用（半）正交矩阵填充输入的张量。

在 Exact solutions to the nonlinear dynamics of learning in deep linear neural networks - Saxe, A. et al. (2013) 中有描述。输入张量必须至少有 2 个维度，对于维度多于 2 个的张量，尾部维度会被展平。

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 Generator（默认值：None）

示例

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

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

将输入的二维张量填充为稀疏矩阵。

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 – 每列中应设为零的元素比例
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 Generator（默认值：None）

示例

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

torch.nn.init¶

文档

教程

资源