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 考虑。

torch.nn.init.calculate_gain(nonlinearity, param=None)

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，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诱导稳定的不动点是必要的。相反，SELU的默认增益牺牲了归一化效果，以换取在矩形层中更稳定的梯度流。

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)

用从均匀分布中抽取的值填充输入张量。

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

参数

• tensor (张量) – n 维 torch.Tensor

• a (浮点数) – 均匀分布的下界

• b (浮点数) – 均匀分布的上界

• generator (可选[生成器]) – 用于采样的 torch 生成器（默认值：None）

返回类型

张量

示例

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

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

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 (张量) – n 维 torch.Tensor

• mean (浮点数) – 正态分布的均值

• std (浮点数) – 正态分布的标准差

• generator (可选[生成器]) – 用于采样的 torch 生成器（默认值：None）

返回类型

张量

示例

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

torch.nn.init.constant_(tensor, val)

用值$\text{val}$填充输入张量。

参数

• tensor (张量) – n 维 torch.Tensor

• val (浮点数) – 用于填充张量的值

返回类型

张量

示例

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

torch.nn.init.ones_(tensor)

用标量值1填充输入张量。

参数

tensor (张量) – n 维 torch.Tensor

返回类型

张量

示例

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

torch.nn.init.zeros_(tensor)

用标量值0填充输入张量。

参数

tensor (张量) – n 维 torch.Tensor

返回类型

张量

示例

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

torch.nn.init.eye_(tensor)

用单位矩阵填充二维输入张量。

保留线性层中输入的恒等性，尽可能多地保留输入。

参数

tensor – 二维 torch.Tensor

示例

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

torch.nn.init.dirac_(tensor, groups=1)

用狄拉克 delta 函数填充 {3, 4, 5} 维输入张量。

保留卷积层中输入的恒等性，尽可能多地保留输入通道。如果 groups>1，则每组通道都保留恒等性

参数

• tensor – {3, 4, 5} 维 torch.Tensor

• groups (整数, 可选) – 卷积层中的组数（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)

使用 Xavier 均匀分布的值填充输入张量。

该方法在理解训练深度前馈神经网络的难度 - Glorot, X. & Bengio, Y. (2010) 中进行了描述。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 (张量) – n 维 torch.Tensor

• gain (浮点数) – 可选的缩放因子

• generator (可选[生成器]) – 用于采样的 torch 生成器（默认值：None）

返回类型

张量

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 的计算假设权重矩阵以转置方式使用（即，在 Linear 层中使用 x @ w.T，其中 w.shape = [fan_out, fan_in]）。这对于正确的初始化非常重要。如果您计划使用 x @ w，其中 w.shape = [fan_in, fan_out]，请传入转置的权重矩阵，即 nn.init.xavier_uniform_(w.T, ...)。

torch.nn.init.xavier_normal_(tensor, gain=1.0, generator=None)

使用 Xavier 正态分布填充输入的 Tensor。

该方法在 Understanding the difficulty of training deep feedforward neural networks - 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 (张量) – n 维 torch.Tensor

• gain (浮点数) – 可选的缩放因子

• generator (可选[生成器]) – 用于采样的 torch 生成器（默认值：None）

返回类型

张量

示例

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

注意

请注意，fan_in 和 fan_out 的计算假设权重矩阵以转置方式使用（即，在 Linear 层中使用 x @ w.T，其中 w.shape = [fan_out, fan_in]）。这对于正确的初始化非常重要。如果您计划使用 x @ w，其中 w.shape = [fan_in, fan_out]，请传入转置的权重矩阵，即 nn.init.xavier_normal_(w.T, ...)。

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

使用 Kaiming 均匀分布填充输入的 Tensor。

该方法在 Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification - 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 (张量) – n 维 torch.Tensor

• a (浮点数) – 此层之后使用的整流器的负斜率（仅在 '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大小。选择 'fan_out' 保留反向传递中的大小。

• 非线性函数 (str) – 非线性函数（nn.functional 名称），建议仅与 'relu' 或 'leaky_relu' 一起使用（默认值）。

• generator (可选[生成器]) – 用于采样的 torch 生成器（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 的计算假设权重矩阵以转置的方式使用（即，在 Linear 层中使用 x @ w.T，其中 w.shape = [fan_out, fan_in]）。这对于正确的初始化非常重要。如果您计划使用 x @ w，其中 w.shape = [fan_in, fan_out]，请传入转置后的权重矩阵，即 nn.init.kaiming_uniform_(w.T, ...)。

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

使用 Kaiming 正态分布填充输入 Tensor 的值。

该方法在 深入探讨整流器：在 ImageNet 分类上超越人类水平的性能 - He, K. 等人 (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 (张量) – n 维 torch.Tensor

• a (浮点数) – 此层之后使用的整流器的负斜率（仅在 '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大小。选择 'fan_out' 保留反向传递中的大小。

• 非线性函数 (str) – 非线性函数（nn.functional 名称），建议仅与 'relu' 或 'leaky_relu' 一起使用（默认值）。

• generator (可选[生成器]) – 用于采样的 torch 生成器（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 的计算假设权重矩阵以转置的方式使用（即，在 Linear 层中使用 x @ w.T，其中 w.shape = [fan_out, fan_in]）。这对于正确的初始化非常重要。如果您计划使用 x @ w，其中 w.shape = [fan_in, fan_out]，请传入转置后的权重矩阵，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)

用截断正态分布中抽取的值填充输入 Tensor。

这些值实际上是从正态分布 $\mathcal{N}(\text{mean}, \text{std}^2)$ 中抽取的，其值在 $[a, b]$ 之外会被重新绘制，直到它们在边界内。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 (张量) – n 维 torch.Tensor

• mean (浮点数) – 正态分布的均值

• std (浮点数) – 正态分布的标准差

• a (float) – 最小截止值

• b (float) – 最大截止值

• generator (可选[生成器]) – 用于采样的 torch 生成器（默认值：None）

返回类型

张量

示例

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

torch.nn.init.orthogonal_(tensor, gain=1, generator=None)

用（半）正交矩阵填充输入 Tensor。

在 深度线性神经网络学习的非线性动力学精确解 - Saxe, A. 等人 (2013) 中进行了描述。输入张量必须至少具有 2 个维度，对于具有 2 个以上维度的张量，尾随维度将被展平。

参数

• tensor – 一个 n 维 torch.Tensor，其中 $n \geq 2$

• gain – 可选的缩放因子

• generator (可选[生成器]) – 用于采样的 torch 生成器（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)

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 Martens, J. (2010) 的论文 Deep learning via Hessian-free optimization 中所述。

参数

• 张量 (tensor) – n 维的 torch.Tensor

• 稀疏性 (sparsity) – 每列中设置为零的元素的比例

• 标准差 (std) – 用于生成非零值的正态分布的标准差

• generator (可选[生成器]) – 用于采样的 torch 生成器（默认值：None）

示例

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