Spectral Normalization谱归一化的理解

本文介绍了Lipschitz连续的概念,它是谱归一化的前置知识。Lipschitz连续保证了函数变化的平滑性。接着讲解了Spectral Normalization,该方法通过限制神经网络层的谱范数来实现Lipschitz连续性,有助于避免梯度爆炸。最后,文章提供了Spectral Normalization的Python实现参考链接。
摘要由CSDN通过智能技术生成

前置知识之—— 利普希茨连续(Lipschitz continuous)

Lipschitz连续,要求函数图像的曲线上任意两点连线的斜率一致有界,就是任意的斜率都小于同一个常数,这个常数就是Lipschitz常数。

从局部看:我们可以取两个充分接近的点,如果这个时候斜率的极限存在的话,这个斜率的极限就是这个点的导数。也就是说函数可导,又是Lipschitz连续,那么导数有界。反过来,如果可导函数,导数有界,可以推出函数Lipschitz连续。
从整体看:Lipschitz连续要求函数在无限的区间上不能有超过线性的增长,所以这些和函数在无限区间上不是Lipschitz连续的。
记下式为L-Lipschitz.
在这里插入图片描述

L2归一化

图源见水印

Spectral Normalization

直观地来说,Lipschitz 条件限制了函数变化的剧烈程度,即函数的梯度。在一维空间中,很容易看出 y=sin(x) 是 1-Lipschitz 的,它的最大斜率是 1。

在这里插入图片描述
在这里插入图片描述
得到谱范数 σl(W)后,每个参数矩阵上的参数皆除以它,以达到归一化的目的。

Python实现

import torch
from torch.optim.optimizer import Optimizer, required

from torch.autograd import Variable
import torch.nn.functional as F
from torch import nn
from torch import Tensor
from torch.nn import Parameter

def l2normalize(v, eps=1e-12):
    return v / (v.norm() + eps)


class SpectralNorm(nn
  • 3
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值