torch.nn.init

torch.nn.init

译者：GeneZC

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

返回给定非线性函数的推荐的增益值。对应关系如下表：

非线性函数	增益
Linear / Identity
Conv{1,2,3}D
Sigmoid
Tanh
ReLU
Leaky Relu

参数：

nonlinearity – 非线性函数 (nn.functional 中的名字)
param – 对应非线性函数的可选参数

例子

>>> gain = nn.init.calculate_gain('leaky_relu')

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

用均匀分布 ) 初始化输入 Tensor。

参数：

tensor – n 维 torch.Tensor
a – 均匀分布的下界
b – 均匀分布的上界

例子

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

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

用正态分布 ) 初始化输入 Tensor。

参数：

tensor – n 维 torch.Tensor
mean – 正态分布的均值
std – 正态分布的标准差

例子

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

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

用常数初始化输入 Tensor。

参数：

tensor – n 维 torch.Tensor
val – 用以填入张量的常数

例子

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

torch.nn.init.eye_(tensor)

用单位矩阵初始化 2 维输入 Tensor。保持输入张量输入 Linear 时的独一性，并且越多越好.

参数：

tensor – 2 维 torch.Tensor

例子

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

torch.nn.init.dirac_(tensor)

用狄拉克δ函数初始化 {3, 4, 5} 维输入 Tensor。保持输入张量输入 Convolutional 时的独一性，并且越多通道越好。

参数：

tensor – {3, 4, 5} 维 torch.Tensor

例子

>>> w = torch.empty(3, 16, 5, 5)
>>> nn.init.dirac_(w)

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

用论文 “Understanding the difficulty of training deep feedforward neural networks” - Glorot, X. & Bengio, Y. (2010) 中提及的均匀分布初始化输入 Tensor。初始化后的张量中的值采样自 ) 且

也被称作 Glorot 初始化。

参数：

tensor – n 维 torch.Tensor
gain – 可选缩放因子

例子

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

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

用论文 “Understanding the difficulty of training deep feedforward neural networks” - Glorot, X. & Bengio, Y. (2010) 中提及的正态分布初始化输入 Tensor。初始化后的张量中的值采样自 ) 且

也被称作 Glorot initialization。

参数：

tensor – n 维 torch.Tensor
gain – 可选缩放因子

例子

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

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

用论文 “Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification” - He, K. et al. (2015) 中提及的均匀分布初始化输入 Tensor。初始化后的张量中的值采样自 ) 且

%20%5Ctimes%20%5Ctext%7Bfan%5C_in%7D%7D%7D%0D%0A%0D%0A)

也被称作 He initialization。

参数：

tensor – n 维 torch.Tensor
a – 该层后面一层的整流函数中负的斜率 (默认为 0，此时为 Relu)
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。
nonlinearity – 非线性函数 (nn.functional 中的名字)，推荐只使用 ‘relu’ 或 ‘leaky_relu’ (default)。

例子

>>> 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')

用论文 “Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification” - He, K. et al. (2015) 中提及的正态分布初始化输入 Tensor。初始化后的张量中的值采样 ) 且

%20%5Ctimes%20%5Ctext%7Bfan%5C_in%7D%7D%7D%0D%0A%0D%0A)

也被称作 He initialization。

参数：

tensor – n 维 torch.Tensor
a – 该层后面一层的整流函数中负的斜率 (默认为 0，此时为 Relu)
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。
nonlinearity – 非线性函数 (nn.functional 中的名字)，推荐只使用 ‘relu’ 或 ‘leaky_relu’ (default)。

例子

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

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

用论文 “Exact solutions to the nonlinear dynamics of learning in deep linear neural networks” - Saxe, A. et al. (2013) 中描述的(半）正定矩阵初始化输入 Tensor。输入张量必须至少有 2 维，如果输入张量的维度大于 2，则对后续维度进行放平操作。

参数：

tensor – n 维 torch.Tensor，且
gain – 可选缩放因子

例子

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

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

用论文 “Deep learning via Hessian-free optimization” - Martens, J. (2010). 提及的稀疏矩阵初始化 2 维输入 Tensor，且使用正态分布 ) 初始化非零元素。

参数：

tensor – n 维 torch.Tensor
sparsity – 每一行置零元素的比例
std – 初始化非零元素时使用正态分布的标准差

例子

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