torch.nn.init

torch.nn.init.calculate_gain(非线性，param=None）

返回给定非线性函数的推荐增益值。 值如下所示：

非线性	获得
线性 / 恒等	$1$
Conv{1,2,3}D	$1$
乙状结肠	$1$
谭	$\frac{5}{3}$
ReLU 系列	$\sqrt{2}$
Leaky Relu	$\sqrt{\frac{2}{1 + \text{negative\_slope}^2}}$
色鲁	$\frac{3}{4}$

警告

为了实现自归一化神经网络 ， 您应该使用 ，而不是 . 这为初始权重提供了 ， 这对于在正向传递中诱导稳定的固定点是必要的。 相反，的默认增益牺牲了归一化 效果，以便在矩形层中实现更稳定的梯度流。nonlinearity='linear'nonlinearity='selu'1 / NSELU

参数

• nonlinearity – 非线性函数 （nn.函数名称）

• param – 非线性函数的可选参数

例子

>>> gain = nn.init.calculate_gain('leaky_relu', 0.2)  # leaky_relu with negative_slope=0.2

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

使用从 uniform 中提取的值填充输入 Tensor 分配$\mathcal{U}(a, b)$.

参数

• tensor – 一个 n 维火torch.Tensor

• a – 均匀分布的下限

• b – 均匀分布的上限

例子

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

torch.nn.init.normal_(张量，平均值=0.0，标准=1.0）

使用从法线中提取的值填充输入 Tensor 分配$\mathcal{N}(\text{mean}, \text{std}^2)$.

参数

• tensor – 一个 n 维火torch.Tensor

• mean – 正态分布的平均值

• std – 正态分布的标准差

例子

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

torch.nn.init.constant_(张量，val）

将 input Tensor 填充值$\text{val}$.

参数

• tensor – 一个 n 维火torch.Tensor

• val – 用于填充张量的值

例子

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

torch.nn.init.ones_(张量）

用标量值 1 填充输入 Tensor。

参数

tensor – 一个 n 维火torch.Tensor

例子

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

torch.nn.init.zeros_(张量）

用标量值 0 填充输入 Tensor。

参数

tensor – 一个 n 维火torch.Tensor

例子

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

torch.nn.init.eye_(张量）

用恒等式填充二维输入 Tensor 矩阵。保留线性层中输入的标识，其中 尽可能保留许多输入。

参数

tensor – 一个 2 维火torch.Tensor

例子

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

torch.nn.init.dirac_(张量，组=1）

用 Dirac 填充 {3， 4， 5} 维输入 Tensor delta 函数。保留卷积层中 inputs 的标识，其中保留了尽可能多的 input 通道。倘 of groups>1，每组通道都保留身份

参数

• tensor – 一个 {3， 4， 5} 维火torch.Tensor

• groups （optional） – conv 层中的组数 （默认值：1）

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)

torch.nn.init.xavier_uniform_(张量，增益=1.0）

根据方法用值填充输入 Tensor 如了解训练深度前馈的难度中所述 神经网络 - Glorot， X. & Bengio， Y. （2010），使用统一的 分配。生成的张量将具有从$\mathcal{U}(-a, a)$哪里

$$a = \text{gain} \times \sqrt{\frac{6}{\text{fan\_in} + \text{fan\_out}}}$$

也称为 Glorot 初始化。

参数

• tensor – 一个 n 维火torch.Tensor

• gain – 可选的缩放因子

例子

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

torch.nn.init.xavier_normal_(张量，增益=1.0）

根据方法用值填充输入 Tensor 如了解训练深度前馈的难度中所述 神经网络 - Glorot， X. & Bengio， Y. （2010），使用法线 分配。生成的张量将具有从$\mathcal{N}(0, \text{std}^2)$哪里

$$\text{std} = \text{gain} \times \sqrt{\frac{2}{\text{fan\_in} + \text{fan\_out}}}$$

也称为 Glorot 初始化。

参数

• tensor – 一个 n 维火torch.Tensor

• gain – 可选的缩放因子

例子

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

torch.nn.init.kaiming_uniform_(张量，a=0，模式='fan_in'，非线性='leaky_relu'）

根据方法用值填充输入 Tensor 在 Delving Deep into rectifiers： Beyonding human level （深入研究整流器：超越人类水平） 中描述道 ImageNet 分类的性能 - He， K. et al. （2015） 使用 均匀分布。生成的张量将具有从$\mathcal{U}(-\text{bound}, \text{bound})$哪里

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

也称为 He 初始化。

参数

• tensor – 一个 n 维火torch.Tensor

• a – 此层之后使用的整流器的负斜率（仅 用于'leaky_relu')

• mode – （默认） 或 .选择 将保留 向前传球。选择此项将保留 向后传递。'fan_in''fan_out''fan_in''fan_out'

• nonlinearity – 非线性函数 （nn.函数名称）， 建议仅与 OR 一起使用（默认）。'relu''leaky_relu'

例子

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

torch.nn.init.kaiming_normal_(张量，a=0，模式='fan_in'，非线性='leaky_relu'）

根据方法用值填充输入 Tensor 在 Delving Deep into rectifiers： Beyonding human level （深入研究整流器：超越人类水平） 中描述道 ImageNet 分类的性能 - He， K. et al. （2015） 使用 正态分布。生成的张量将具有从$\mathcal{N}(0, \text{std}^2)$哪里

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

也称为 He 初始化。

参数

• tensor – 一个 n 维火torch.Tensor

• a – 此层之后使用的整流器的负斜率（仅 用于'leaky_relu')

• mode – （默认） 或 .选择 将保留 向前传球。选择此项将保留 向后传递。'fan_in''fan_out''fan_in''fan_out'

• nonlinearity – 非线性函数 （nn.函数名称）， 建议仅与 OR 一起使用（默认）。'relu''leaky_relu'

例子

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

torch.nn.init.trunc_normal_(张量，平均值=0.0，标准=1.0，a=- 2.0，b=2.0）

使用从截断的 正态分布。这些值实际上是从 正态分布$\mathcal{N}(\text{mean}, \text{std}^2)$值在$[a, b]$重新绘制，直到它们位于 边界。用于生成随机值的方法有效 最佳时间$a \leq \text{mean} \leq b$.

参数

• tensor – 一个 n 维火torch.Tensor

• mean – 正态分布的平均值

• std – 正态分布的标准差

• a – 最小截止值

• b – 最大截止值

例子

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

torch.nn.init.orthogonal_(张量，增益=1）

用（半）正交矩阵填充输入 Tensor，如 在 Exact solutions to the nonlinear dynamics of learning in deep 中进行了描述 线性神经网络 - Saxe， A. et al. （2013）。输入张量必须具有 至少 2 个维度，对于维度超过 2 个的张量， 尾随维度被展平。

参数

• tensor – 一个 n 维Torch。Tensor 的 Tensor 中，其中$n \geq 2$

• gain – 可选缩放因子

例子

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

torch.nn.init.sparse_(张量，稀疏度，std=0.01）

将 2D 输入 Tensor 填充为稀疏矩阵，其中 非零元素将从正态分布中提取$\mathcal{N}(0, 0.01)$，如 深度学习方式 无 Hessian 优化 - Martens， J. （2010）。

参数

• tensor – 一个 n 维火torch.Tensor

• sparsity – 每列中要设置为零的元素的比例

• std – 用于生成的正态分布的标准差 非零值

例子

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