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

本文目錄

• 1. xavier初始化
• 2. kaiming初始化
• 3. 實際使用中看到的初始化
• 3.1 ResNeXt，densenet中初始化
• 3.2 wide-residual-networks中初始化（MSRinit）

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

轉載請註明出處：

http://www.cnblogs.com/darkknightzh/p/8297793.html

參考網址：

http://pytorch.org/docs/0.3.0/nn.html?highlight=kaiming#torch.nn.init.kaiming_normal

https://github.com/prlz77/ResNeXt.pytorch/blob/master/models/model.py

https://github.com/facebookresearch/ResNeXt/blob/master/models/resnext.lua

https://github.com/bamos/densenet.pytorch/blob/master/densenet.py

https://github.com/szagoruyko/wide-residual-networks/blob/master/models/utils.lua

說明：暫時就這麽多吧，錯誤之處請見諒。前兩個初始化的方法見pytorch官方文檔

1. xavier初始化

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

對於輸入的tensor或者變量，通過論文Understanding the difficulty of training deep feedforward neural networks” - Glorot, X. & Bengio, Y. (2010)的方法初始化數據。初始化服從均勻分布，其中，該初始化方法也稱Glorot initialisation。

參數：

tensor：n維的 torch.Tensor 或者 autograd.Variable類型的數據

a：可選擇的縮放參數

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)

對於輸入的tensor或者變量，通過論文Understanding the difficulty of training deep feedforward neural networks” - Glorot, X. & Bengio, Y. (2010)的方法初始化數據。初始化服從高斯分布，其中，該初始化方法也稱Glorot initialisation。

參數：

tensor：n維的 torch.Tensor 或者 autograd.Variable類型的數據

a：可選擇的縮放參數

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‘)

對於輸入的tensor或者變量，通過論文“Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification” - He, K. et al. (2015)的方法初始化數據。初始化服從均勻分布，其中，該初始化方法也稱He initialisation。

參數：

tensor：n維的 torch.Tensor 或者 autograd.Variable類型的數據

a：該層後面一層的激活函數中負的斜率(默認為ReLU，此時a=0)

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

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‘)

對於輸入的tensor或者變量，通過論文“Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification” - He, K. et al. (2015)的方法初始化數據。初始化服從高斯分布，其中，該初始化方法也稱He initialisation。

參數：

tensor：n維的 torch.Tensor 或者 autograd.Variable類型的數據

a：該層後面一層的激活函數中負的斜率(默認為ReLU，此時a=0)

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

例如：

w = torch.Tensor(3, 5)
nn.init.kaiming_normal(w, mode=‘fan_out‘)

使用的例子（具體參見原始網址）：

https://github.com/prlz77/ResNeXt.pytorch/blob/master/models/model.py

from torch.nn import init
self.classifier = nn.Linear(self.stages[3], nlabels)
init.kaiming_normal(self.classifier.weight)
for key in self.state_dict():
    if key.split(‘.‘)[-1] == ‘weight‘:
        if ‘conv‘ in key:
            init.kaiming_normal(self.state_dict()[key], mode=‘fan_out‘)
        if ‘bn‘ in key:
            self.state_dict()[key][...] = 1
    elif key.split(‘.‘)[-1] == ‘bias‘:
        self.state_dict()[key][...] = 0

3. 實際使用中看到的初始化

3.1 ResNeXt，densenet中初始化

https://github.com/facebookresearch/ResNeXt/blob/master/models/resnext.lua

https://github.com/bamos/densenet.pytorch/blob/master/densenet.py

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）

https://github.com/szagoruyko/wide-residual-networks/blob/master/models/utils.lua

conv

n = kW* kH*nInputPlane
weight:normal(0,math.sqrt(2/n))
bias:zero()

linear

bias:zero()

[PyTorch]PyTorch中模型的參數初始化的幾種方法（轉）