Pytorch:權重初始化
阿新 • • 發佈:2018-12-19
在TensorFlow中,權重的初始化主要是在宣告張量的時候進行的。 而PyTorch則提供了另一種方法:首先應該宣告張量,然後修改張量的權重。通過呼叫torch.nn.init包中的多種方法可以將權重初始化為直接訪問張量的屬性。
1、不初始化的效果
在Pytorch中,定義一個tensor,不進行初始化,列印看看結果:
w = torch.Tensor(3,4)
print (w)
可以看到這時候的初始化的數值都是隨機的,而且特別大,這對網路的訓練必定不好,最後導致精度提不上,甚至損失無法收斂。
2、初始化的效果
PyTorch提供了多種引數初始化函式:
- torch.nn.init.constant(tensor, val)
- torch.nn.init.normal(tensor, mean=0, std=1)
- torch.nn.init.xavier_uniform(tensor, gain=1)
等等。詳細請參考:http://pytorch.org/docs/nn.html#torch-nn-init
注意上面的初始化函式的引數tensor,雖然寫的是tensor,但是也可以是Variable型別的。而神經網路的引數型別Parameter是Variable類的子類,所以初始化函式可以直接作用於神經網路引數。實際上,我們初始化也是直接去初始化神經網路的引數。
讓我們試試效果:
w = torch.Tensor(3,4)
torch.nn.init.normal_(w)
print (w)
3、初始化神經網路的引數
對神經網路的初始化往往放在模型的__init__()函式中,如下所示:
class Net(nn.Module):
def __init__(self, block, layers, num_classes=1000): self.inplanes = 64 super(Net, self).__init__() *** *** #定義自己的網路層 *** 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_() *** *** #定義後續的函式 ***
也可以採取另一種方式:
定義一個權重初始化函式,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)
在模型宣告時,呼叫初始化函式,初始化神經網路引數:
model = Net(*****)
model.apply(weights_init)