pytorch 获取模型参数_[PyTorch]PyTorch中模型的参数初始化的几种方法（转）

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

转载请注明出处：

参考网址：

说明：暂时就这么多吧，错误之处请见谅。前两个初始化的方法见pytorch官方文档

1. xavier初始化

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

对于输入的tensor或者变量，通过论文Understanding the difficulty of training deep feedforward neural networks” - Glorot, X. & Bengio, Y. (2010)的方法初始化数据。初始化服从均匀分布，其中，该初始化方法也称Glorot initialisation。

参数：

tensor：n维的 torch.Tensor 或者 autograd.Variable类型的数据

a：可选择的缩放参数

例如：

w = torch.Tensor(3, 5)

nn.init.xavier_uniform(w, gain=nn.init.calculate_gain(‘relu‘))

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

对于输入的tensor或者变量，通过论文Understanding the difficulty of training deep feedforward neural networks” - Glorot, X. & Bengio, Y. (2010)的方法初始化数据。初始化服从高斯分布，其中，该初始化方法也称Glorot initialisation。

参数：

tensor：n维的 torch.Tensor 或者 autograd.Variable类型的数据

a：可选择的缩放参数

例如：

w = torch.Tensor(3, 5)

nn.init.xavier_normal(w)

2. kaiming初始化

torch.nn.init.kaiming_uniform(tensor, a=0, mode=‘fan_in‘)

对于输入的tensor或者变量，通过论文“Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification” - He, K. et al. (2015)的方法初始化数据。初始化服从均匀分布，其中，该初始化方法也称He initialisation。

参数：

tensor：n维的 torch.Tensor 或者 autograd.Variable类型的数据

a：该层后面一层的激活函数中负的斜率(默认为ReLU，此时a=0)

mode：‘fan_in’ (default) 或者 ‘fan_out’. 使用fan_in保持weights的方差在前向传播中不变；使用fan_out保持weights的方差在反向传播中不变。

例如：

w = torch.Tensor(3, 5)

nn.init.kaiming_uniform(w, mode=‘fan_in‘)

torch.nn.init.kaiming_normal(tensor, a=0, mode=‘fan_in‘)

对于输入的tensor或者变量，通过论文“Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification” - He, K. et al. (2015)的方法初始化数据。初始化服从高斯分布，其中，该初始化方法也称He initialisation。

参数：

tensor：n维的 torch.Tensor 或者 autograd.Variable类型的数据

a：该层后面一层的激活函数中负的斜率(默认为ReLU，此时a=0)

mode：‘fan_in’ (default) 或者 ‘fan_out’. 使用fan_in保持weights的方差在前向传播中不变；使用fan_out保持weights的方差在反向传播中不变。

例如：

w = torch.Tensor(3, 5)

nn.init.kaiming_normal(w, mode=‘fan_out‘)

使用的例子(具体参见原始网址)：

from torch.nn importinit

self.classifier= nn.Linear(self.stages[3], nlabels)

init.kaiming_normal(self.classifier.weight)for key inself.state_dict():if key.split(‘.‘)[-1] == ‘weight‘:if ‘conv‘ inkey:

init.kaiming_normal(self.state_dict()[key], mode=‘fan_out‘)if ‘bn‘ inkey:

self.state_dict()[key][...]= 1

elif key.split(‘.‘)[-1] == ‘bias‘:

self.state_dict()[key][...]= 0

3.实际使用中看到的初始化

3.1 ResNeXt，densenet中初始化

conv

n = kW* kH*nOutputPlane

weight:normal(0,math.sqrt(2/n))

bias:zero()

batchnorm

weight:fill(1)

bias:zero()

linear

bias:zero()

3.2 wide-residual-networks中初始化(MSRinit)

conv

n = kW* kH*nInputPlane

weight:normal(0,math.sqrt(2/n))

bias:zero()

linear

bias:zero()