【Pytorch】tensor初始化方法

1. 導入常用初始化方法

from torch.nn.init import xavier_uniform_, xavier_normal_
from torch.nn.init import kaiming_uniform_, kaiming_normal_

2. 各種初始化方法分析

• xavier_uniform_(tensor, gain=1.0)

Note: 以均勻分佈的值初始化輸入tensor. 方法根據《Understanding the difficulty of training deep feedforward neural networks - Glorot, X. & Bengio, Y. (2010)》論文實現。最終得到的Tesor值取樣於U(−a,a) ，

其中： \

參數：

            gain: 縮放因素(optional)

• xavier_normal_(tensor, gain=1.0)

Note: 以正太分佈的值初始化輸入tensor. 方法根據《Understanding the difficulty of training deep feedforward neural networks - Glorot, X. & Bengio, Y. (2010)》論文實現。最終得到的Tesor值取樣於,

其中： 

• kaiming_uniform_(tensor, a=0, mode='fan_in', nonlinearity='leaky_relu')

Note: 以均勻分佈的值初始化輸入tensor. 方法根據《Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification - He, K. et al. (2015)》論文實現。最終得到的Tesor值取樣於U(−bound,bound) ，

其中： 

參數：a: 

         mode: "fan_in" 或 "fan_out". 選擇“fan_in" 在前向傳播中保存權重方差的幅度， ”fan_out" 在後向傳播中保存幅度。

        nonlinearity: 非線性函數。推薦"relu" or "leaky_relu".

• kaiming_normal_(tensor, a=0, mode='fan_in', nonlinearity='leaky_relu')

Note: 以正太分佈的值初始化輸入tensor. 方法根據《Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification - He, K. et al. (2015)》論文實現。最終得到的Tesor值取樣於，

其中：