Pytorch基礎（6）----參數初始化

一、使用Numpy初始化：【直接對Tensor操作】

 

• 對Sequential模型的參數進行修改：

 

import numpy as np
import torch
from torch import nn

# 定義一個 Sequential 模型
net1 = nn.Sequential(
    nn.Linear(30, 40),
    nn.ReLU(),
    nn.Linear(40, 50),
    nn.ReLU(),
    nn.Linear(50, 10)
)

# 訪問第一層的參數
w1 = net1[0].weight
b1 = net1[0].bias
print(w1)

#對第一層Linear的參數進行修改：
# 定義第一層的參數 Tensor 直接對其進行替換
net1[0].weight.data = torch.from_numpy(np.random.uniform(3, 5, size=(40, 30)))
print(net1[0].weight)
23
24 #若模型中相同類型的層都需要初始化成相同的方式，一種更高效的方式：使用循環去訪問：
25 for layer in net1:
26     if isinstance(layer, nn.Linear): # 判斷是否是線性層
27         param_shape = layer.weight.shape
28         layer.weight.data = torch.from_numpy(np.random.normal(0, 0.5, size=param_shape)) 
29         # 定義為均值為 0，方差為 0.5 的正態分布

• 對Module模型 的參數初始化：

對於 Module 的參數初始化，其實也非常簡單，如果想對其中的某層進行初始化，可以直接像 Sequential 一樣對其 Tensor 進行重新定義，其唯一不同的地方在於，如果要用循環的方式訪問，需要介紹兩個屬性，children 和 modules，下面我們舉例來說明：

1、創建Module模型類：

class sim_net(nn.Module):
    def __init__(self):
        super(sim_net, self).__init__()
        self.l1 = nn.Sequential(
            nn.Linear(30, 40),
            nn.ReLU()
        )
        
        self.l1[0].weight.data = torch.randn(40, 30) # 直接對某一層初始化
        
        self.l2 = nn.Sequential(
            nn.Linear(40, 50),
            nn.ReLU()
        )
        
        self.l3 = nn.Sequential(
            nn.Linear(50, 10),
            nn.ReLU()
        )
    
    def forward(self, x):
        x = self.l1(x)
        x =self.l2(x)
        x = self.l3(x)
        return x

2、創建模型對象：

net2 = sim_net()

3、訪問children：

# 訪問 children
for i in net2.children():
    print(i)
　　　　　#打印的結果：

Sequential(
  (0): Linear(in_features=30, out_features=40)
  (1): ReLU()
)
Sequential(
  (0): Linear(in_features=40, out_features=50)
  (1): ReLU()
)
Sequential(
  (0): Linear(in_features=50, out_features=10)
  (1): ReLU()
)

4、訪問modules：

# 訪問 modules
for i in net2.modules():
    print(i)


#打印的結果
sim_net(
  (l1): Sequential(
    (0): Linear(in_features=30, out_features=40)
    (1): ReLU()
  )
  (l2): Sequential(
    (0): Linear(in_features=40, out_features=50)
    (1): ReLU()
  )
  (l3): Sequential(
    (0): Linear(in_features=50, out_features=10)
    (1): ReLU()
  )
)
Sequential(
  (0): Linear(in_features=30, out_features=40)
  (1): ReLU()
)
Linear(in_features=30, out_features=40)
ReLU()
Sequential(
  (0): Linear(in_features=40, out_features=50)
  (1): ReLU()
)
Linear(in_features=40, out_features=50)
ReLU()
Sequential(
  (0): Linear(in_features=50, out_features=10)
  (1): ReLU()
)
Linear(in_features=50, out_features=10)
ReLU()

通過上面的例子，可以看到：

children 只會訪問到模型定義中的第一層，因為上面的模型中定義了三個 Sequential，所以只會訪問到三個 Sequential，而 modules 會訪問到最后的結構，比如上面的例子，modules 不僅訪問到了 Sequential，也訪問到了 Sequential 里面，這就對我們做初始化非常方便。

5、采用循環初始化：

for layer in net2.modules():
    if isinstance(layer, nn.Linear):
        param_shape = layer.weight.shape
        layer.weight.data = torch.from_numpy(np.random.normal(0, 0.5, size=param_shape))

 

二、torch.nn.init初始化

PyTorch 還提供了初始化的函數幫助我們快速初始化，就是 torch.nn.init，其操作層面仍然在 Tensor 上。先介紹一種初始化方法：

Xavier 初始化方法：

其中 和 表示該層的輸入和輸出數目。

 這種非常流行的初始化方式叫 Xavier，方法來源於 2010 年的一篇論文 Understanding the difficulty of training deep feedforward neural networks，其通過數學的推到，證明了這種初始化方式可以使得每一層的輸出方差是盡可能相等的。

torch.nn.init：

from torch.nn import init

init.xavier_uniform(net1[0].weight) # 這就是上面我們講過的 Xavier 初始化方法，PyTorch 直接內置了其實現

#這就直接修改了net1[0].weight的值