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
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
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)
