一、参数初始化概述
在设计好神经网络结构之后,权重初始化方式会很大程度上影响模型的训练过程和最终效果。
权重初始化方式包括ImageNet预训练参数,kaiming_uniform方式以及多种权重初始化方式。这篇笔记主要记录一下Pytorch中内置的各种权重初始化方式的原理与使用。
神经网络中需要进行参数初始化操作的有Linear,Conv,BN等。
二、Pytorch中的参数初始化方法
2.1 不进行初始化操作,系统的默认初始化方法(来源于pytorch0.4源码)
Conv{1,2,3}d 都是继承于_ConvNd,其中对于参数的默认初始化方法如下:
def reset_parameters(self):
n = self.in_channels
for k in self.kernel_size:
n *= k
stdv = 1. / math.sqrt(n)
self.weight.data.uniform_(-stdv, stdv)
if self.bias is not None:
self.bias.data.uniform_(-stdv, stdv)
Linear
def reset_parameters(self):
stdv = 1. / math.sqrt(self.weight.size(1))
self.weight.data.uniform_(-stdv, stdv)
if self.bias is not None:
self.bias.data.uniform_(-stdv, stdv)
BN{1,2,3}d 都是继承于_BatchNorm,其中对于参数的默认初始化方法如下:
def reset_parameters(self):
self.reset_running_stats()
if self.affine:
self.weight.data.uniform_()
self.bias.data.zero_()
2.2 torch.nn.init.uniform_(tensor, a=0, b=1)
使用均匀分布U(a,b)初始化Tensor,即Tensor的填充值是等概率的范围为 [a,b) 的值。均值为 (a + b)/ 2.
w = torch.empty(2, 3)