作者：elfin
? 初始化在深度学习模型训练中占有非常重要的位置，好的初始化可以对模型性能有不小的提升。下面将介绍pytorch的一些初始化方法。
torch.nn.init.calculate_gain(nonlinearity, param=None)
? 见名知意，这个接口是计算增益的！计算什么的增益呢？它计算的是非线性函数的增益。
| nonlinearity | gain |
|---|---|
| Linear / Identity | 1 |
| Conv{1,2,3}D | 1 |
| Sigmoid | 1 |
| Tanh | \(\frac{5}{3}\) |
| ReLU | \(\sqrt{2}\) |
| Leaky Relu | \(\sqrt{\frac{2}{1 + negative\_slope^2}}\) |
| SELU | \(\frac{3}{4}\) |
参数：
案例：
# leaky_relu with negative_slope=0.2
>>> gain = nn.init.calculate_gain(‘leaky_relu‘, 0.2)
>>> gain
torch.nn.init.uniform_(tensor, a=0.0, b=1.0)
均匀分布初始化。需要指定张量对象，均匀分布的起始与终点值。
参数：
案例：
>>> w = torch.empty(3, 5)
>>> nn.init.uniform_(w)
torch.nn.init.normal_(tensor, mean=0.0, std=1.0)
默认标准正态分布初始化。
……
torch.nn.init.constant_(tensor, val)
使用val填充tensor.
……
torch.nn.init.ones_(tensor)
使用1填充张量tensor.
……
torch.nn.init.zeros_(tensor)
使用0填充张量tensor.
……
torch.nn.init.eye_(tensor)
用单位矩阵填充二维输入张量。在线性层中保留输入的标识，在线性层中保留尽可能多的输入。
案例：
>>> w = torch.empty(3, 5)
>>> nn.init.eye_(w)
torch.nn.init.dirac_(tensor, groups=1)
用狄拉克三角函数填充{3,4,5}维输入张量。在卷积层中保留输入的标识，在卷积层中保留尽可能多的输入通道。在groups>1的情况下，每组通道保持同一性。
参数：
案例：
>>> w = torch.empty(3, 16, 5, 5)
>>> nn.init.dirac_(w)
>>> w = torch.empty(3, 24, 5, 5)
>>> nn.init.dirac_(w, 3)
torch.nn.init.xavier_uniform_(tensor, gain=1.0)
从xavier均匀分布\(\mathcal{U}(-a, a)\)采样填充张量tensor实现张量的初始化。
其中：
参数：
案例：
>>> w = torch.empty(3, 5)
>>> nn.init.xavier_uniform_(w, gain=nn.init.calculate_gain(‘relu‘))
torch.nn.init.xavier_normal_(tensor, gain=1.0)
从xavier正态分布\(\mathcal{N}(0, \text{std}^2)\)采样填充张量tensor实现张量的初始化。
\(fan\_in\) 、\(fan\_out\)同上。参数同上。
案例：
>>> w = torch.empty(3, 5)
>>> nn.init.xavier_normal_(w)
何凯明初始化是xavier初始化的变种，他的初始化方法是非常重要的方法！
torch.nn.init.kaiming_uniform_(tensor, a=0, mode=‘fan_in‘, nonlinearity=‘leaky_relu‘)
从kaiming_uniform_均匀分布\(\mathcal{U}(-\text{bound}, \text{bound})\)采样填充张量tensor实现张量的初始化。
参数：
案例：
>>> w = torch.empty(3, 5)
>>> nn.init.kaiming_uniform_(w, mode=‘fan_in‘, nonlinearity=‘relu‘)
torch.nn.init.kaiming_normal_(tensor, a=0, mode=‘fan_in‘, nonlinearity=‘leaky_relu‘)
从kaiming_normal_正态分布\(\mathcal{N}(0, \text{std}^2)\)采样填充张量tensor实现张量的初始化。
参数同上。
案例：
>>> w = torch.empty(3, 5)
>>> nn.init.kaiming_normal_(w, mode=‘fan_out‘, nonlinearity=‘relu‘)
torch.nn.init.orthogonal_(tensor, gain=1)
用一个（半）正交矩阵填充输入张量，如《深层线性神经网络学习非线性动力学精确解》中所述。输入张量必须至少有2个维度，对于超过2个维度的张量，尾部维度将被平铺。
参数：
案例：
>>> w = torch.empty(3, 5)
>>> a = nn.init.orthogonal_(w)
>>> a
tensor([[ 0.8019, -0.0586, -0.3235, -0.3922, 0.3082],
[ 0.1892, 0.0526, 0.0613, 0.7863, 0.5826],
[-0.5395, -0.3481, -0.4893, -0.2158, 0.5493]])
>>> b = a[1,:]*a[2,:]
>>> b.numpy().sum()
8.940697e-08
>>> c = a[:,0]*a[:,1]
>>> c.numpy().sum()
0.1507516
通过上面的操作我们可以发现行向量两两正交！
torch.nn.init.sparse_(tensor, sparsity, std=0.01)
将2D 输入张量作为稀疏矩阵进行填充，其中非零元素将从正态分布\(\mathcal{N}(0, 0.01)\)中抽取。实际是先使用正态分布初始化，在按照sparsity乘以行数获取零元素的个数，在到初始化的张量中随机采样索引将张量对应位置置零。
参数：
案例：
>>> w = torch.empty(3, 5)
>>> nn.init.sparse_(w, sparsity=0.1)
tensor([[ 0.0000, -0.0045, 0.0000, 0.0098, 0.0000],
[-0.0174, 0.0000, -0.0116, 0.0118, -0.0096],
[ 0.0005, 0.0060, -0.0041, 0.0000, -0.0107]])
完！
原文：https://www.cnblogs.com/dan-baishucaizi/p/14722975.html