【torch.nn.init】初始化参数方法解读

torch.nn.init

均匀分布

• 格式

  torch.nn.init.uniform_(tensor, a=0.0, b=1.0)

• 作用

  从均匀分布$U(a,b)$中生成值，填充输入的张量或变量。

• 参数

  • tensor n 维的torch.Tensor
  • a 均匀分布的下界
  • b均匀分布的上界

• 例子

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

正态分布

• 格式

  **torch.nn.init.normal_(tensor, mean=0.0, std=1.0)**

• 作用

  从给定均值和标准差的正态分布$N(mean,std)$中生成值，填充输入的张量或变量。

• 参数

  • tensorn维的torch.Tensor
  • mean 正态分布的均值
  • std 正态分布的标准差

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

常数分布

• 格式

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

• 作用

  用val的值填充输入的张量或变量

• 参数

  • tensor n维的torch.Tensor 或 autograd.Variable
  • val 用来填充张量的值

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

全1分布

• 格式

  torch.nn.init.ones_(tensor)

• 作用

  用全0填充张量

• 参数

  • tensor n维的torch.Tensor

• 例子

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

全0分布

• 格式

  torch.nn.init.zeros_(tensor)

• 作用

  用全1填充张量

• 参数

  • tensor n维的torch.Tensor

• 例子

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

对角分布

• 格式

  torch.nn.init.eye_(tensor)

• 作用

  用单位矩阵来填充2维输入张量或变量

• 参数

  • tensor 2维的torch.Tensor 或 autograd.Variable

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

dirac 分布

• 格式

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

• 作用

  用Dirac δ函数来填充{3, 4, 5}维输入张量或变量。在卷积层尽可能多的保存输入通道特性

• 参数

  • tensor {3, 4, 5}维的torch.Tensor 或 autograd.Variable

• 例子

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

xavier_uniform 分布

• 格式

  torch.nn.init.xavier_uniform_(tensor, gain=1.0)

• 作用

  用一个均匀分布生成值，填充输入的张量或变量。

• 参数

  • tensor n维的torch.Tensor
  • gain 可选的缩放因子

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

xavier_normal 分布

• 格式

  torch.nn.init.xavier_normal_(tensor, gain=1.0)

• 作用

  用一个正态分布生成值，填充输入的张量或变量。

• 参数

  • tensor n维的torch.Tensor
  • gain 可选的缩放因子

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

kaiming_uniform 分布

• 格式

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

• 作用

  用一个均匀分布生成值，填充输入的张量或变量。

• 参数

  • tensor n维的torch.Tensor或autograd.Variable
  • a 这层之后使用的rectifier的斜率系数（ReLU的默认值为0）
  • mode 可以为“fan_in”（默认）或 “fan_out”
    “fan_in”保留前向传播时权值方差的量级
    “fan_out”保留反向传播时的量级
  • nonlinearity=‘leaky_relu’非线性函数 建议“relu”或“leaky_relu”（默认值）使用。

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

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

kaiming_normal 分布

• 格式

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

• 作用

  用一个正态分布生成值，填充输入的张量或变量。

• 参数

  • tensor n维的torch.Tensor或 autograd.Variable
  • a 这层之后使用的rectifier的斜率系数（ReLU的默认值为0）
  • mode 可以为“fan_in”（默认）或 “fan_out”fan_in保留前向传播时权值方差的量级fan_out保留反向传播时的量级

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

正交矩阵

• 格式

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

• 作用

  用一个(半)正交矩阵填充输入张量。

• 参数

  • tensor 一个n维的tensor,其中 n≥2
  • gain 可选比例系数

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

稀疏矩阵

• 格式

  torch.nn.init.sparse_(tensor, sparsity, std=0.01)

• 作用

  将2D输入张量填充为稀疏矩阵，其中非零元素将从正态分布$N(0,0.01)$中提取。

• 参数

  • **tensor** 一个n维的torch.tensor张量
  • sparsity 每一列中元素的比例设置为零
  • std 用于产生非零值的正态分布的标准差

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

参考

torch.nn.init - PyTorch 1.13 documentation

【细聊】torch.nn.init 初始化_ViatorSun的博客-CSDN博客_nn.init.constant