torch.nn.init

torch.nn.init.calculate_gain(nonlinearity, param=None)

返回给定非线性函数的推荐增益值。 值如下：

非线性	获得
线性 / 恒等	$1$
Conv{1,2,3}D	$1$
Sigmoid	$1$
双曲正切	$\frac{5}{3}$
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， 你应该使用nonlinearity='linear'而不是nonlinearity='selu'。 这使得初始权重的方差为1 / N， 这是在前向传播中诱导稳定固定点所必需的。 相比之下，SELU的默认增益牺牲了归一化效果， 以获得矩形层中更稳定的梯度流。

Parameters

• 非线性函数 – 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)

用从均匀分布 $\mathcal{U}(a, b)$ 中抽取的值填充输入 Tensor。

Parameters

• 张量 – 一个n维的 torch.Tensor

• a – 均匀分布的下界

• b – 均匀分布的上限

示例

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

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

用从正态分布 $\mathcal{N}(\text{mean}, \text{std}^2)$ 中抽取的值填充输入 Tensor。

Parameters

• 张量 – 一个n维的 torch.Tensor

• 均值 – 正态分布的均值

• std – 正态分布的标准差

示例

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

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

用值 $\text{val}$ 填充输入 Tensor。

Parameters

• 张量 – 一个n维的 torch.Tensor

• val – 用于填充张量的值

示例

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

torch.nn.init.ones_(tensor)

用标量值 1 填充输入 Tensor。

Parameters

张量 – 一个n维的 torch.Tensor

示例

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

torch.nn.init.zeros_(tensor)

用标量值 0 填充输入 Tensor。

Parameters

张量 – 一个n维的 torch.Tensor

示例

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

torch.nn.init.eye_(tensor)

用单位矩阵填充二维输入 Tensor。在 Linear 层中保留输入的恒等性，尽可能多地保留输入。

Parameters

tensor – 一个2维的 torch.Tensor

示例

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

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

用Dirac delta函数填充{3, 4, 5}维输入 Tensor。在 Convolutional 层中保留输入的身份，尽可能多地保留输入通道。当groups>1时，每个通道组都保留身份

Parameters

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

• groups (可选) – 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)

用根据 Tensor 中描述的方法填充输入，该方法 在 Understanding the difficulty of training deep feedforward neural networks - Glorot, X. & Bengio, Y. (2010) 中有说明，使用均匀 分布。生成的张量将从 $\mathcal{U}(-a, a)$ 中采样值

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

也称为 Glorot 初始化。

Parameters

• 张量 – 一个n维的 torch.Tensor

• 增益 – 一个可选的缩放因子

示例

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

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

用根据 Tensor 中描述的方法填充输入，该方法 在 Understanding the difficulty of training deep feedforward neural networks - Glorot, X. & Bengio, Y. (2010) 中有说明，使用正态分布。 生成的张量将从 $\mathcal{N}(0, \text{std}^2)$ 中采样值

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

也称为 Glorot 初始化。

Parameters

• 张量 – 一个n维的 torch.Tensor

• 增益 – 一个可选的缩放因子

示例

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

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

使用 Tensor 中描述的方法，根据均匀分布填充输入值 $\mathcal{U}(-\text{bound}, \text{bound})$，其中

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

也称为 He 初始化。

Parameters

• 张量 – 一个n维的 torch.Tensor

• a – 该层之后使用的整流器的负斜率（仅与 'leaky_relu' 一起使用）

• mode – 要么是 'fan_in'（默认）要么是 'fan_out'。选择 'fan_in' 可以保留前向传播中权重方差的幅度。选择 'fan_out' 可以保留反向传播中的幅度。

• 非线性函数 – 非线性函数 (nn.functional 名称), 建议仅与 'relu' 或 'leaky_relu' 一起使用 (默认值)。

示例

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

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

用根据 Tensor 中描述的方法填充输入，该方法 在 Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification - He, K. 等人（2015）中有所说明，使用 正态分布。生成的张量将从 $\mathcal{N}(0, \text{std}^2)$ 中采样值

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

也称为 He 初始化。

Parameters

• 张量 – 一个n维的 torch.Tensor

• a – 该层之后使用的整流器的负斜率（仅与 'leaky_relu' 一起使用）

• mode – 要么是 'fan_in'（默认）要么是 'fan_out'。选择 'fan_in' 可以保留前向传播中权重方差的幅度。选择 'fan_out' 可以保留反向传播中的幅度。

• 非线性函数 – 非线性函数 (nn.functional 名称), 建议仅与 'relu' 或 'leaky_relu' 一起使用 (默认值)。

示例

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

torch.nn.init.trunc_normal_(tensor, mean=0.0, std=1.0, a=- 2.0, b=2.0)

用截断正态分布的值填充输入张量。这些值实际上是从正态分布$\mathcal{N}(\text{mean}, \text{std}^2)$中抽取的，超出$[a, b]$范围的值会被重新抽取，直到它们落在范围内。用于生成随机值的方法在$a \leq \text{mean} \leq b$时效果最佳。

Parameters

• 张量 – 一个n维的 torch.Tensor

• 均值 – 正态分布的均值

• std – 正态分布的标准差

• a – 最小截断值

• b – 最大截断值

示例

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

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

用（半）正交矩阵填充输入 Tensor，如 在 Exact solutions to the nonlinear dynamics of learning in deep linear neural networks - Saxe, A. 等人（2013）中所述。输入张量必须有 至少 2 个维度，对于具有多于 2 个维度的张量， 后面的维度将被展平。

Parameters

• tensor – 一个n维的torch.Tensor，其中 $n \geq 2$

• gain – 可选的缩放因子

示例

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

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

将2D输入 Tensor 作为稀疏矩阵进行填充，其中 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。

Parameters

• 张量 – 一个n维的 torch.Tensor

• 稀疏性 – 每一列中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

示例

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