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)