XavierUniform

class paddle.nn.initializer.XavierUniform ( fan_in=None, fan_out=None, name=None ) [源代码]

该类实现Xavier权重初始化方法（ Xavier weight initializer），Xavier权重初始化方法出自Xavier Glorot和Yoshua Bengio的论文 Understanding the difficulty of training deep feedforward neural networks

该初始化函数用于保持所有层的梯度尺度几乎一致。

在均匀分布的情况下，取值范围为[-x,x]，其中：

参数：

• fan_in (float，可选) - 用于Xavier初始化的fan_in，从tensor中推断。默认为None。

• fan_out (float，可选) - 用于Xavier初始化的fan_out，从tensor中推断。默认为None。

• name （str，可选）- 具体用法请参见 Name，一般无需设置，默认值为None。

返回：

由使用均匀分布的Xavier权重初始化的参数。

代码示例：

import paddle
data = paddle.ones(shape=[3, 1, 2], dtype='float32')
weight_attr = paddle.framework.ParamAttr(
    name="linear_weight",
    initializer=paddle.nn.initializer.XavierUniform())
bias_attr = paddle.framework.ParamAttr(
    name="linear_bias",
    initializer=paddle.nn.initializer.XavierUniform())
linear = paddle.nn.Linear(2, 2, weight_attr=weight_attr, bias_attr=bias_attr)
# linear.weight:  [[-0.04229349 -1.1248565 ]
#                  [-0.10789523 -0.5938053 ]]
# linear.bias:  [ 1.1983747  -0.40201235]
res = linear(data)
# res:  [[[ 1.0481861 -2.1206741]]
#        [[ 1.0481861 -2.1206741]]
#        [[ 1.0481861 -2.1206741]]]