[nn.Parameter]理解总结与初始化方法大全

文章目录

    • 一、查看性质
    • 二、参数是否初始化的区别
    • 三、参数初始化的方法
      • 1. 均匀分布
      • 2. 正太分布
      • 3. 常数分布
      • 4. 全1分布
      • 5. 全0分布
      • 6.单位分布:question:
      • 7. xavier_uniform 分布
      • 8. xavier_normal 分布
      • 9. kaiming_uniform 分布
      • 10. kaiming_normal 分布
      • 11、正交矩阵
      • 12、稀疏矩阵
      • 13. 函数初始化
      • 14、遍历初始化

Parameter实际上也是Tensor,也就是说是一个多维矩阵,是Variable类中的一个特殊类。当我们创建一个model时, parameter会自动累加到Parameter 列表中。(这样就可以自动计算梯度等)

  • 创建一个model
## 导入库
import numpy as np
import torch 
import torch.nn  as nn 
## 建立一个空间注意力层
class Spatial_Attention_layer(nn.Module):
    def __init__(self, DEVICE, in_channels, num_of_vertices, num_of_timesteps):
        super(Spatial_Attention_layer, self).__init__()
        self.W1 = nn.Parameter(torch.FloatTensor(num_of_timesteps).to(DEVICE))  # (12)
        self.W2 = nn.Parameter(torch.FloatTensor(in_channels, num_of_timesteps).to(DEVICE))   # (1, 12)
        self.W3 = nn.Parameter(torch.FloatTensor(in_channels).to(DEVICE))  # (1)
        self.bs = nn.Parameter(torch.FloatTensor(1, num_of_vertices, num_of_vertices).to(DEVICE))   # (1,307, 307)
        self.Vs = nn.Parameter(torch.FloatTensor(num_of_vertices, num_of_vertices).to(DEVICE))  # (307, 307)

    def reset_parameters(self):
        # 初始化方法
        for p in self.parameters():
            if p.dim() > 1:
                nn.init.xavier_uniform_(p)    # Xavier 初始化确保权重“恰到好处”
            else:
                nn.init.uniform_(p)

    def forward(self, x):
        '''
        x(B,N,F,T)–-×W1(T,)–->  (B,N,F)  —-×W2(F,T) –->lhs(B,N,T)
        x(B,N,F,T)—-  转置 -–> x(B,T,N,F) —-×W3(F,) –->rhs(B,T,N)
        product=lhs × rhs:(B,N,N)
        '''
        lhs = torch.matmul(torch.matmul(x, self.W1), self.W2)
        rhs = torch.matmul(self.W3, x).transpose(-1, -2)
        product = torch.matmul(lhs, rhs)
        S = torch.matmul(self.Vs, torch.sigmoid(product + self.bs))
        # normalization
        S_normalized = F.softmax(S, dim=1)    # (32, 307, 307)
        return S_normalized

一、查看性质

  • 通过.parameters()获得model的parameter的迭代序列,不是真的List
  • 查看具体的参数可以用for循环获取。

[nn.Parameter]理解总结与初始化方法大全_第1张图片

  • 查看每个参数的性质:数值(.data),形状(.shape),数据类型(.dtype),梯度(.grad)
    [nn.Parameter]理解总结与初始化方法大全_第2张图片

二、参数是否初始化的区别

通过nn.Parameters()自动创建的参数往往不是我们所需要的参数,比如数据出现极小值。
[nn.Parameter]理解总结与初始化方法大全_第3张图片
进行参数初始化后的参数(如下图)
[nn.Parameter]理解总结与初始化方法大全_第4张图片

三、参数初始化的方法

《Python的torch.nn.Parameter参数初始化》 值得参考与学习

import math
import numpy as np
import torch
import torch.nn as nn
# 参数的初始化
w = torch.nn.Parameter(torch.empty(2, 3))

[nn.Parameter]理解总结与初始化方法大全_第5张图片

1. 均匀分布

# torch.nn.init.uniform_(tensor, a=0, b=1)
nn.init.uniform_(w)

[nn.Parameter]理解总结与初始化方法大全_第6张图片

2. 正太分布

# torch.nn.init.normal_(tensor, mean=0, std=1)
nn.init.normal_(w)

[nn.Parameter]理解总结与初始化方法大全_第7张图片

3. 常数分布

# torch.nn.init.constant_(tensor, value)
nn.init.constant_(w, 0.3)

[nn.Parameter]理解总结与初始化方法大全_第8张图片

4. 全1分布

# torch.nn.init.ones_(tensor)
torch.nn.init.ones_(w)

[nn.Parameter]理解总结与初始化方法大全_第9张图片

5. 全0分布

# torch.nn.init.zeros_(tensor)
torch.nn.init.zeros_(w)

[nn.Parameter]理解总结与初始化方法大全_第10张图片

6.单位分布❓

# torch.nn.init.eye_(tensor)
nn.init.eye_(w)

[nn.Parameter]理解总结与初始化方法大全_第11张图片

7. xavier_uniform 分布

# torch.nn.init.xavier_uniform_(tensor, gain=1)
# calculate_gain 返回默认增益值
a = nn.init.calculate_gain('relu')
# 1.414
nn.init.xavier_uniform_(w, gain=a)

[nn.Parameter]理解总结与初始化方法大全_第12张图片

8. xavier_normal 分布

# torch.nn.init.xavier_normal_(tensor, gain=1) 
nn.init.xavier_normal_(w) # 默认gain=1

[nn.Parameter]理解总结与初始化方法大全_第13张图片

9. kaiming_uniform 分布

# torch.nn.init.kaiming_uniform_(tensor, a=0, mode='fan_in', nonlinearity='leaky_relu')
nn.init.kaiming_uniform_(w, mode='fan_in', nonlinearity='relu')

[nn.Parameter]理解总结与初始化方法大全_第14张图片

10. kaiming_normal 分布

# torch.nn.init.kaiming_normal_(tensor, a=0, mode='fan_in', nonlinearity='leaky_relu')
nn.init.kaiming_normal_(w, mode='fan_out', nonlinearity='relu')

11、正交矩阵

# torch.nn.init.orthogonal_(tensor, gain=1)
nn.init.orthogonal_(w)

[nn.Parameter]理解总结与初始化方法大全_第15张图片

12、稀疏矩阵

# torch.nn.init.sparse_(tensor, sparsity, std=0.01)
# 非零元素采用正态分布 N(0, 0.01) 初始化.
nn.init.sparse_(w, sparsity=0.1)

[nn.Parameter]理解总结与初始化方法大全_第16张图片

13. 函数初始化

# 13. Dirac delta 函数初始化,仅适用于 {3, 4, 5} 维的 torch.Tensor
# torch.nn.init.dirac_(tensor)
b = torch.empty(3, 16, 5, 5)  # 是根据输入的size信息生成张量的方法,不需要主动初始化,其dtype默认torch.folat32
nn.init.dirac_(b)
c = torch.tensor(np.array([1, 2, 3.]))  # torch.tensor()则是复制输入的数据再生成张量的方法,其dtype默认输入数据的dtype

# 举例
# 1 一层一层单独初始化
# conv 与 bn
conv = nn.Conv2d(1, 3, kernel_size=1)
# init.kaiming_uniform_(self.weight, a=math.sqrt(5))  ## nn.Conv2d()的weight的默认的初始化方式
# fan_in, _ = init._calculate_fan_in_and_fan_out(self.weight)
# bound = 1 / math.sqrt(fan_in)
# init.uniform_(self.bias, -bound, bound)  ## nn.Conv2d()的bias的默认的初始化方式
nn.init.kaiming_normal_(conv.weight, mode='fan_in')
nn.init.constant_(conv.bias, 0.)

bn = nn.BatchNorm2d(3),
# init.ones_(self.weight)  ## nn.BatchNorm2d()的weight的默认的初始化方式
# init.zeros_(self.bias)  ## nn.BatchNorm2d()的bias的默认的初始化方式
nn.init.normal_(bn[0].weight, mean=1., std=0.02)
nn.init.constant_(bn[0].bias, 0.)

14、遍历初始化

1 .举例1: 见开头的案例中方式,并不会自动初始化。如果想要model在实例化的时候自动初始化。则在__init__()添加一条语句 self.reset_parameters()
[nn.Parameter]理解总结与初始化方法大全_第17张图片
查看结果

[nn.Parameter]理解总结与初始化方法大全_第18张图片

  1. 举例2:
class DoubleConv(nn.Module):
    def __init__(self, in_channels, out_channels, mid_channels=None):
        super().__init__()
        if not mid_channels:
            mid_channels = out_channels
        self.double_conv = nn.Sequential(
            nn.Conv2d(in_channels, mid_channels, kernel_size=3, padding=1, bias=False),
            nn.BatchNorm2d(mid_channels),
            nn.ReLU(inplace=True),
            nn.Conv2d(mid_channels, out_channels, kernel_size=3, padding=1, bias=False),
            nn.BatchNorm2d(out_channels),
            nn.ReLU(inplace=True),
        )
        self.initialize_weights()

    def initialize_weights(self):
        for m in self.modules():
            if isinstance(m, nn.Conv2d):
                n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels
                m.weight.data.normal_(0, math.sqrt(2. / n))
            elif isinstance(m, nn.BatchNorm2d):
                m.weight.data.fill_(1)
                m.bias.data.zero_()

    def forward(self, x):
        return self.double_conv(x)


dc = DoubleConv(1, 4, 2)

你可能感兴趣的:(#,pytorch,pytorch,深度学习,python,nn.Parameters)