人工智能 深度学习 深入浅出Pytorch函数——torch.nn.init.kaiming

分类目录：《深入浅出Pytorch函数》总目录 相关文章： · 深入浅出Pytorch函数——torch.nn.init.calculate_gain · 深入浅出Pytorch函数——torch.nn.init.uniform_ · 深入浅出Pytorch函数——torch.nn.init.normal_ · 深入浅出Pytorch函数——torch.nn.init.constant_ · 深入浅出Pytorch函数——torch.nn.init.ones_ · 深入浅出Pytorch函数——torch.nn.init.zeros_ · 深入浅出Pytorch函数——torch.nn.init.eye_ · 深入浅出Pytorch函数——torch.nn.init.dirac_ · 深入浅出Pytorch函数——torch.nn.init.xavier_uniform_ · 深入浅出Pytorch函数——torch.nn.init.xavier_normal_ · 深入浅出Pytorch函数——torch.nn.init.kaiming_uniform_ · 深入浅出Pytorch函数——torch.nn.init.kaiming_normal_ · 深入浅出Pytorch函数——torch.nn.init.trunc_normal_ · 深入浅出Pytorch函数——torch.nn.init.orthogonal_ · 深入浅出Pytorch函数——torch.nn.init.sparse_

torch.nn.init模块中的所有函数都用于初始化神经网络参数，因此它们都在torc.no_grad()模式下运行，autograd不会将其考虑在内。

根据He, K等人于2015年在《Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification》中描述的方法，用一个正态分布生成值，填充输入的张量或变量。结果张量中的值采样自

N

(

0

,

std

2

)

N(0, \text{std}^2)

N(0,std2)，其中：

std

=

gain

fan_mode

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

std=fan_mode

​gain​

这种方法也被称为He initialisation。

语法

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

参数

tensor：[Tensor] 一个

N

N

N维张量torch.Tensora：[float] 这层之后使用的rectifier的斜率系数（ReLU的默认值为0）mode：[str] 可以为fan_in或fan_out。若为fan_in则保留前向传播时权值方差的量级，若为fan_out则保留反向传播时的量级，默认值为fan_in。nonlinearity：[str] 一个非线性函数，即一个nn.functional的名称，推荐使用relu或者leaky_relu，默认值为leaky_relu。

返回值

一个torch.Tensor且参数tensor也会更新

实例

w = torch.empty(3, 5)

nn.init.kaiming_normal_(w, mode='fan_out', nonlinearity='relu')

函数实现

def kaiming_normal_(

tensor: Tensor, a: float = 0, mode: str = 'fan_in', nonlinearity: str = 'leaky_relu'

):

r"""Fills the input `Tensor` with values according to the method

described in `Delving deep into rectifiers: Surpassing human-level

performance on ImageNet classification` - He, K. et al. (2015), using a

normal distribution. The resulting tensor will have values sampled from

:math:`\mathcal{N}(0, \text{std}^2)` where

.. math::

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

Also known as He initialization.

Args:

tensor: an n-dimensional `torch.Tensor`

a: the negative slope of the rectifier used after this layer (only

used with ``'leaky_relu'``)

mode: either ``'fan_in'`` (default) or ``'fan_out'``. Choosing ``'fan_in'``

preserves the magnitude of the variance of the weights in the

forward pass. Choosing ``'fan_out'`` preserves the magnitudes in the

backwards pass.

nonlinearity: the non-linear function (`nn.functional` name),

recommended to use only with ``'relu'`` or ``'leaky_relu'`` (default).

Examples:

>>> w = torch.empty(3, 5)

>>> nn.init.kaiming_normal_(w, mode='fan_out', nonlinearity='relu')

"""

if 0 in tensor.shape:

warnings.warn("Initializing zero-element tensors is a no-op")

return tensor

fan = _calculate_correct_fan(tensor, mode)

gain = calculate_gain(nonlinearity, a)

std = gain / math.sqrt(fan)

with torch.no_grad():

return tensor.normal_(0, std)

好文推荐

 您阅读本篇文章共花了：