XavierNormal

class paddle.nn.initializer.XavierNormal ( 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。

正态分布的情况下，均值为0，标准差为：

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：

由使用正态分布的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.XavierNormal())
bias_attr = paddle.framework.ParamAttr(
    name="linear_bias",
    initializer=paddle.nn.initializer.XavierNormal())
linear = paddle.nn.Linear(2, 2, weight_attr=weight_attr, bias_attr=bias_attr)
# inear.weight:  [[ 0.06910077 -0.18103665]
#                 [-0.02546741 -1.0402188 ]]
# linear.bias:  [-0.5012929   0.12418364]
res = linear(data)
# res:  [[[-0.4576595 -1.0970719]]
#        [[-0.4576595 -1.0970719]]
#        [[-0.4576595 -1.0970719]]]