torch.nn.Linear()中weight的初始化问题

最新推荐文章于 2025-03-11 09:16:04 发布

七号门房

最新推荐文章于 2025-03-11 09:16:04 发布

阅读量7.7k

点赞数 7

分类专栏：深度学习文章标签：深度学习 pytorch 神经网络

本文链接：https://blog.csdn.net/qq_48081509/article/details/122288389

版权

深度学习专栏收录该内容

5 篇文章

订阅专栏

本文介绍了深度学习模型中权重初始化的重要性。系统默认使用均匀分布U(-k√k,k√k)进行初始化，其中k=1/输入层。同时，展示了如何自定义权重初始化函数init_weight()，使用nn.init.normal_()将权重初始化为正态分布，标准差为0.01。并给出了一个具体的网络结构示例，展示如何应用自定义初始化函数到网络的权重上。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. 系统默认初始化

当我们没有进行初始化权重操作时，发现系统已经有了默认值，如下所示
在这里插入图片描述
查看官网文档可以发现，这些初始化的值服从均匀分布 U(- $\sqrt{k}$ , $\sqrt{k}$ )，其中k = 1/输入层

2. 自定义初始化weight

首先编写初始化函数init_weight(),在该函数中，nn.init.normal()可以将权重初始化为正态分布，此处也可以初始化为其他值。

# 初始化weight
def init_weights(m):
    if type(m) == nn.Linear:
        nn.init.normal_(m.weight, std=0.01)

#编写网络层结构        
net = nn.Sequential(nn.Flatten(),
                    nn.Linear(784, 256),
                    nn.ReLU(),
                    nn.Linear(256, 10))
# 将网络中的weight进行初始化
net.apply(init_weights);