pytorch系列 -- 9 pytorch nn.init 中实现的初始化函数 uniform, normal, const, Xavier, He initialization

本文内容:

  • nn.init 中各种初始化函数
  • Xavier 初始化
  • He 初始化
  • torch.init https://pytorch.org/docs/stable/nn.html#torch-nn-init

1. 均匀分布

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

在这里插入图片描述

2. 正太分布

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

在这里插入图片描述

3. 初始化为常数

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

初始化整个矩阵为常数val

4. Xavier

基本思想是通过网络层时,输入和输出的方差相同,包括前向传播和后向传播。具体看以下博文:

  • 为什么需要Xavier 初始化?
    文章第一段通过sigmoid激活函数讲述了为何初始化?
    pytorch系列 -- 9 pytorch nn.init 中实现的初始化函数 uniform, normal, const, Xavier, He initialization_第1张图片
    简答的说就是:
  • 如果初始化值很小,那么随着层数的传递,方差就会趋于0,此时输入值 也变得越来越小,在sigmoid上就是在0附近,接近于线性,失去了非线性
  • 如果初始值很大,那么随着层数的传递,方差会迅速增加,此时输入值变得很大,而sigmoid在大输入值写倒数趋近于0,反向传播时会遇到梯度消失的问题

其他的激活函数同样存在相同的问题。
https://prateekvjoshi.com/2016/03/29/understanding-xavier-initialization-in-deep-neural-networks/

所以论文提出,在每一层网络保证输入和输出的方差相同。

2. xavier初始化的简单推导

https://blog.csdn.net/u011534057/article/details/51673458

对于Xavier初始化方式,pytorch提供了uniform和normal两种:

  • torch.nn.init.xavier_uniform_(tensor, gain=1) 均匀分布 ~ U(−a,a) U(-a,a )U(−a,a)其中, a的计算公式:在这里插入图片描述
  • torch.nn.init.xavier_normal_(tensor, gain=1) 正态分布在这里插入图片描述其中std的计算公式:
    pytorch系列 -- 9 pytorch nn.init 中实现的初始化函数 uniform, normal, const, Xavier, He initialization_第2张图片

5. kaiming (He initialization)

Xavier在tanh中表现的很好,但在Relu激活函数中表现的很差,所何凯明提出了针对于Relu的初始化方法。
Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification He, K. et al. (2015)
该方法基于He initialization,其简单的思想是:
在ReLU网络中,假定每一层有一半的神经元被激活,另一半为0,所以,要保持方差不变,只需要在 Xavier的基础上再除以2

也就是说在方差推到过程中,式子左侧除以2.
pytorch也提供了两个版本:
pytorch系列 -- 9 pytorch nn.init 中实现的初始化函数 uniform, normal, const, Xavier, He initialization_第3张图片
两函数的参数:

  • a:该层后面一层的激活函数中负的斜率(默认为ReLU,此时a=0)
  • mode‘fan_in’ (default) 或者 ‘fan_out’. 使用fan_in保持weights的方差在前向传播中不变;使用fan_out保持weights的方差在反向传播中不变

针对于Relu的激活函数,基本使用He initialization,pytorch也是使用kaiming 初始化卷积层参数的

你可能感兴趣的:(pytorch,pytorch,nn.init,初始化,Relu)