函數(shù)的增益值

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

提供了對非線性函數(shù)增益值的計算。

增益值gain是一個比例值，來調(diào)控輸入數(shù)量級和輸出數(shù)量級之間的關系。

fan_in和fan_out

pytorch計算fan_in和fan_out的源碼


def _calculate_fan_in_and_fan_out(tensor):
 dimensions = tensor.ndimension()
 if dimensions < 2:
  raise ValueError("Fan in and fan out can not be computed 
  for tensor with fewer than 2 dimensions")

 if dimensions == 2: # Linear
  fan_in = tensor.size(1)
  fan_out = tensor.size(0)
 else:
  num_input_fmaps = tensor.size(1)
  num_output_fmaps = tensor.size(0)
  receptive_field_size = 1
  if tensor.dim() > 2:
   receptive_field_size = tensor[0][0].numel()
  fan_in = num_input_fmaps * receptive_field_size
  fan_out = num_output_fmaps * receptive_field_size

 return fan_in, fan_out

xavier分布

xavier分布解析：https://prateekvjoshi.com/2016/03/29/understanding-xavier-initialization-in-deep-neural-networks/

假設使用的是sigmoid函數(shù)。當權重值(值指的是絕對值)過小，輸入值每經(jīng)過網(wǎng)絡層，方差都會減少，每一層的加權和很小，在sigmoid函數(shù)0附件的區(qū)域相當于線性函數(shù)，失去了DNN的非線性性。

當權重的值過大，輸入值經(jīng)過每一層后方差會迅速上升，每層的輸出值將會很大，此時每層的梯度將會趨近于0.

xavier初始化可以使得輸入值x x x<math><semantics><mrow><mi>x</mi></mrow><annotation encoding="application/x-tex">x</annotation></semantics></math>x方差經(jīng)過網(wǎng)絡層后的輸出值y y y<math><semantics><mrow><mi>y</mi></mrow><annotation encoding="application/x-tex">y</annotation></semantics></math>y方差不變。

（1）xavier的均勻分布

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

也稱為Glorot initialization。

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

(2) xavier正態(tài)分布

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

也稱為Glorot initialization。

kaiming分布

Xavier在tanh中表現(xiàn)的很好，但在Relu激活函數(shù)中表現(xiàn)的很差，所何凱明提出了針對于relu的初始化方法。pytorch默認使用kaiming正態(tài)分布初始化卷積層參數(shù)。

(1) kaiming均勻分布

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

也被稱為 He initialization。

a – the negative slope of the rectifier used after this layer (0 for ReLU by default).激活函數(shù)的負斜率，

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.默認為fan_in模式，fan_in可以保持前向傳播的權重方差的數(shù)量級，fan_out可以保持反向傳播的權重方差的數(shù)量級。

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

(2) kaiming正態(tài)分布

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

也被稱為 He initialization。

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

以上這篇對Pytorch神經(jīng)網(wǎng)絡初始化kaiming分布詳解就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。