torch.nn.init¶

警告

此模块中的所有函数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 考虑在内。

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。

这些值如下：

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'。这使初始权重的方差为 1 / N，这对于在正向传播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，以在矩形层中获得更稳定的梯度流。

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)[source][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) – 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) – 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 $\text{val}$ 填充输入张量。

参数

tensor (Tensor) – n 维 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][source]¶

用标量值 1 填充输入张量。

参数: tensor (Tensor) – 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 填充输入张量。

参数: tensor (Tensor) – 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]¶

用单位矩阵填充二维输入 Tensor。

在 Linear 层中保留输入的恒等性，并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)[source][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性，并尽可能多地保留输入通道。如果 groups>1，则每组通道保留恒等性

参数

tensor – {3, 4, 5} 维 torch.Tensor
groups (int, optional) – 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)[source][source]¶

使用 Xavier 均匀分布的值填充输入 Tensor。

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。生成的张量的值将从 $\mathcal{U}(-a, a)$ 中采样，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) – 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 的计算假定权重矩阵以转置方式使用（即，Linear 层中的 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]，则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)[source][source]¶

使用 Xavier 正态分布的值填充输入 Tensor。

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。生成的张量的值将从 $\mathcal{N}(0, \text{std}^2)$ 中采样，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) – 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 的计算假定权重矩阵以转置方式使用（即，Linear 层中的 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]，则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)[source][source]¶

使用 Kaiming 均匀分布的值填充输入 Tensor。

该方法在深入研究整流器：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。生成的张量的值将从 $\mathcal{U}(-\text{bound}, \text{bound})$ 中采样，其中

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

也称为 He 初始化。

参数

tensor (Tensor) – n 维 torch.Tensor
a (float) – 在此层之后使用的整流器的负斜率（仅与 'leaky_relu' 一起使用）
mode (str) – 可以是 'fan_in' (默认) 或 'fan_out'。选择 'fan_in' 保留前向传播中权重的方差幅度。选择 'fan_out' 保留后向传播中的幅度。
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 的计算假设权重矩阵以转置方式使用，（即，Linear 层中的 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.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 正态分布的值填充输入 Tensor。

该方法在 Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification - He, K. et al. (2015) 中描述。生成的张量将具有从 $\mathcal{N}(0, \text{std}^2)$ 采样的值。

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

也称为 He 初始化。

参数

tensor (Tensor) – n 维 torch.Tensor
a (float) – 在此层之后使用的整流器的负斜率（仅与 'leaky_relu' 一起使用）
mode (str) – 可以是 'fan_in' (默认) 或 'fan_out'。选择 'fan_in' 保留前向传播中权重的方差幅度。选择 'fan_out' 保留后向传播中的幅度。
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 的计算假设权重矩阵以转置方式使用，（即，Linear 层中的 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.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]¶

使用截断正态分布中的值填充输入 Tensor。

这些值实际上是从正态分布 $\mathcal{N}(\text{mean}, \text{std}^2)$ 中提取的，超出 $[a, b]$ 范围的值将被重新抽取，直到它们在边界内。当 $a \leq \text{mean} \leq b$ 时，用于生成随机值的方法效果最佳。

参数

tensor (Tensor) – 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]¶

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 (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 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 torch.Tensor
sparsity – 每列中要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 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