python初始化函数的作用_Pytorch 实现权重初始化

在TensorFlow中，权重的初始化主要是在声明张量的时候进行的。 而PyTorch则提供了另一种方法：首先应该声明张量，然后修改张量的权重。通过调用torch.nn.init包中的多种方法可以将权重初始化为直接访问张量的属性。

1、不初始化的效果

在Pytorch中，定义一个tensor，不进行初始化，打印看看结果：

w = torch.Tensor(3,4)

print (w)

可以看到这时候的初始化的数值都是随机的，而且特别大，这对网络的训练必定不好，最后导致精度提不上，甚至损失无法收敛。

2、初始化的效果

PyTorch提供了多种参数初始化函数：

torch.nn.init.constant(tensor, val)

torch.nn.init.normal(tensor, mean=0, std=1)

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

注意上面的初始化函数的参数tensor，虽然写的是tensor，但是也可以是Variable类型的。而神经网络的参数类型Parameter是Variable类的子类，所以初始化函数可以直接作用于神经网络参数。实际上，我们初始化也是直接去初始化神经网络的参数。

让我们试试效果:

w = torch.Tensor(3,4)

torch.nn.init.normal_(w)

print (w)

3、初始化神经网络的参数

对神经网络的初始化往往放在模型的__init__()函数中，如下所示：

class Net(nn.Module):

def __init__(self, block, layers, num_classes=1000):

self.inplanes = 64

super(Net, self).__init__()

***

*** #定义自己的网络层

***

for m in self.modules():

if isinstance(m, nn.Conv2d):

n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels

m.weight.data.normal_(0, math.sqrt(2. / n))

elif isinstance(m, nn.BatchNorm2d):

m.weight.data.fill_(1)

m.bias.data.zero_()

***

*** #定义后续的函数

***

也可以采取另一种方式：

定义一个权重初始化函数，如下：

def weights_init(m):

classname = m.__class__.__name__

if classname.find('Conv2d') != -1:

init.xavier_normal_(m.weight.data)

init.constant_(m.bias.data, 0.0)

elif classname.find('Linear') != -1:

init.xavier_normal_(m.weight.data)

init.constant_(m.bias.data, 0.0)

在模型声明时，调用初始化函数，初始化神经网络参数：

model = Net(*****)

model.apply(weights_init)

以上这篇Pytorch 实现权重初始化就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持python博客。