【Pytorch】tensor初始化方法

1. 导入常用初始化方法

from torch.nn.init import xavier_uniform_, xavier_normal_
from torch.nn.init import kaiming_uniform_, kaiming_normal_

2. 各种初始化方法分析

• xavier_uniform_(tensor, gain=1.0)

Note: 以均匀分布的值初始化输入tensor. 方法根据《Understanding the difficulty of training deep feedforward neural networks - Glorot, X. & Bengio, Y. (2010)》论文实现。最终得到的Tesor值取样于U(−a,a) ，

其中： \

参数：

            gain: 缩放因素(optional)

• xavier_normal_(tensor, gain=1.0)

Note: 以正太分布的值初始化输入tensor. 方法根据《Understanding the difficulty of training deep feedforward neural networks - Glorot, X. & Bengio, Y. (2010)》论文实现。最终得到的Tesor值取样于,

其中： 

• kaiming_uniform_(tensor, a=0, mode='fan_in', nonlinearity='leaky_relu')

Note: 以均匀分布的值初始化输入tensor. 方法根据《Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification - He, K. et al. (2015)》论文实现。最终得到的Tesor值取样于U(−bound,bound) ，

其中： 

参数：a: 

         mode: "fan_in" 或 "fan_out". 选择“fan_in" 在前向传播中保存权重方差的幅度， ”fan_out" 在后向传播中保存幅度。

        nonlinearity: 非线性函数。推荐"relu" or "leaky_relu".

• kaiming_normal_(tensor, a=0, mode='fan_in', nonlinearity='leaky_relu')

Note: 以正太分布的值初始化输入tensor. 方法根据《Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification - He, K. et al. (2015)》论文实现。最终得到的Tesor值取样于，

其中：