PyTorch7：torch.nn.init
PyTorch7：torch.nn.init
1. torch.nn.init 概述
因为神经网络的训练过程其实是寻找最优解的过程，所以神经元的初始值非常重要。
如果初始值恰好在最优解附近，神经网络的训练会非常简单。
而当神经网络的层数增加以后，一个突出的问题就是梯度消失和梯度爆炸。
梯度消失指的是由于梯度接近 0，导致神经元无法进行更新；
梯度爆炸指的是误差梯度在更新中累积得到一个非常大的梯度，这样的梯度会大幅度更新网络参数，进而导致网络不稳定。
torch.nn.init 模块提供了合理初始化初始值的方法。
一共提供了四类初始化方法：
- Xavier 分布初始化；
- Kaiming 分布初始化；
- 均匀分布、正态分布、常数分布初始化；
- 其它初始化。
有梯度边界的激活函数如 sigmoid、tanh 和 softmax 等被称为饱和函数；
没有梯度边界的激活函数如 relu 被称为不饱和函数，它们对应的初始化方法不同。
2. 梯度消失和梯度爆炸
假设我们有一个 3 层的全连接网络：
对倒数第二层神经元的权重进行反向传播的公式为：
而 H3=H2*W3，所以
即 H2 ，即上一层的神经元的输出值，决定了W3的大小。
如果H2太大或太小，即梯度消失或梯度爆炸，将导致神经网络无法训练。
对于 sigmoid 和 tanh 等梯度绝对值小于 1 的激活函数来说，神经元的值会越来越小；
对于其它情况，假设我们构建了一个 100 层的全连接网络：
class MLP(nn.Module):
def __init__(self, neural_num, layers):
super(MLP, self).__init__()
self.linears = nn.ModuleList([nn.Linear(neural_num, neural_num, bias=False) for _ in range(layers)])
self.neural_num = neural_num
def forward(self, x):
for (i, linear) in enumerate(self.linears):
x = linear(x)
return x
def init(self):
for m in self.modules():
if isinstance(m, nn.Linear):
nn.init.normal_(m.weight.data)
layers=100
neural_num=256
batch_size=16
net = MLP(neural_num, layers)
net.init()
inputs = torch.randn(batch_size, neural_num)
output = net(inputs)打印一下神经网络的输出：
>>> print(output)
tensor([[nan, nan, nan, ..., nan, nan, nan],
[nan, nan, nan, ..., nan, nan, nan],
[nan, nan, nan, ..., nan, nan, nan],
...,
[nan, nan, nan, ..., nan, nan, nan],
[nan, nan, nan, ..., nan, nan, nan],
[nan, nan, nan, ..., nan, nan, nan]], grad_fn=<MmBackward>)可以看到，神经元的值都变成了 nan。这是为什么呢？
因为方差可以表征数据的离散程度，让我们来打印一下每次神经元的值的方差：
layers: 0, std: 15.7603178024292
layers: 1, std: 253.5698699951172
layers: 2, std: 4018.8212890625
layers: 3, std: 64962.9453125
layers: 4, std: 1050192.125
layers: 5, std: 16682177.0
...
layers: 28, std: 8.295319341711625e+34
layers: 29, std: 1.2787049888311946e+36
layers: 30, std: 2.0164275976565801e+37
layers: 31, std: nan
output is nan at 31th layers
tensor([[ 1.3354e+38, -2.0165e+38, -3.2402e+37, ..., 1.0439e+37,
-inf, 1.2574e+38],
[ -inf, -inf, inf, ..., -inf,
-inf, inf],
[ 1.2230e+37, -inf, 5.6356e+37, ..., -1.2776e+38,
inf, -inf],
...,
[ 2.1591e+37, 2.5838e+38, -2.9146e+38, ..., inf,
-inf, -inf],
[ inf, 1.9056e+38, -inf, ..., inf,
-inf, -inf],
[ -inf, inf, -1.7735e+38, ..., 4.8110e+37,
inf, -inf]], grad_fn=<MmBackward>)可以看到，到第 30 层的时候，神经元的值已经非常大或非常小，终于在第 31 层的时候，神经元的值突破了存储精度的极限，只好变成了 nan。
我们知道，一组数的方差 D和期望 E在 X与 Y相互独立的条件下满足下面的性质：
所以有：
当 E(X)=0,E(Y)=0 的时候：
在神经网络中，由于全连接层的性质
得
因为Xi服从一个方差为 1 的正态分布，而Wi也服从一个方差为 1 的分布，所以D(H11)的值就是神经元的个数，因此标准差就是根号n 。而全连接的性质决定了第 k层的神经元的标准差为n的k次方再开根号 ，与上面例子中 256 个神经元的情况基本吻合。
为了让神经网络的神经元值稳定，我们希望将每一层神经元的方差维持在 1，这样每一次前向传播后的方差仍然是 1，使模型保持稳定。这被称为“方差一致性准则”。
因为
为了让 D(Hi)=1，我们只需要让
即
我们验证一下：
class MLP(nn.Module):
def __init__(self, neural_num, layers):
super(MLP, self).__init__()
self.linears = nn.ModuleList([nn.Linear(neural_num, neural_num, bias=False) for _ in range(layers)])
self.neural_num = neural_num
def forward(self, x):
for (i, linear) in enumerate(self.linears):
x = linear(x)
print(f'layers: {i}, std: {x.std()}')
if torch.isnan(x.std()):
print(f'output is nan at {i}th layers')
break
return x
def init(self):
for m in self.modules():
if isinstance(m, nn.Linear):
nn.init.normal_(m.weight.data, std=np.sqrt(1/self.neural_num))
layers=100
neural_num=256
batch_size=16
net = MLP(neural_num, layers)
net.init()
inputs = torch.randn(batch_size, neural_num)
output = net(inputs)打印一下神经网络的神经元值：
layers: 0, std: 0.9983504414558411
layers: 1, std: 0.9868919253349304
layers: 2, std: 0.9728540778160095
layers: 3, std: 0.9823500514030457
layers: 4, std: 0.9672497510910034
layers: 5, std: 0.9902626276016235
...
layers: 95, std: 1.0507267713546753
layers: 96, std: 1.0782362222671509
layers: 97, std: 1.1384222507476807
layers: 98, std: 1.1450780630111694
layers: 99, std: 1.138461709022522
tensor([[-0.6622, 0.4439, 0.5704, ..., -2.2066, -1.1012, 0.0450],
[-0.1037, -0.3485, -0.0313, ..., -0.1562, -0.0520, 0.6481],
[ 0.3136, -0.0966, -1.5647, ..., -0.8760, -0.7498, 0.6339],
...,
[-0.6644, -0.4354, 0.8103, ..., 1.1510, 0.7699, 0.0607],
[-0.7511, -0.1086, 0.4008, ..., 1.5456, 0.6027, -0.0303],
[-0.5602, -0.1664, -0.9711, ..., -1.0884, -0.7040, 0.7415]],
grad_fn=<MmBackward>)神经元的值果然是稳定的。
3. torch.nn.init.calculate_gain
这个函数计算激活函数之前和之后的方差的比例变化。比如 经过 rlue 以后还是 1，所以它的增益是 1。
PyTorch 给了常见的激活函数的变化增益：
激活函数 | 变化增益 |
|---|---|
Linearity | 1 |
ConvND | 1 |
Sigmoid | 1 |
Tanh | |
ReLU | |
Leaky ReLU |
这个函数的参数如下：torch.nn.init.calculate_gain(nonlinearity, param=None)
nonlinearity：激活函数；param激活函数的参数。
4. Xavier initialization
为了解决饱和激活函数里的权重初始化问题，2010 年 Glorot 和 Bengio 发表了《Understanding the difficulty of training deep feedforward neural networks》论文，正式提出了 Xavier 初始化。Xavier 初始化通常使用均匀分布。由论文得，初始化后的张量中的值采样自 且
均匀分布下的 Xavier 初始化函数为 torch.nn.init.xavier_uniform_(tensor, gain=1)。
Xavier 初始化也可以采用正态分布的方式，函数为 torch.nn.init.xavier_normal_(tensor, gain=1.0)。其初始化后的张量中的值采样自 且
5. Kaiming initialization
2011 年 ReLU 函数横空出世，Xavier 初始化对 ReLU 函数不再适用。
2015 年，Kaiming He 提出了另一种初始化方法来适应 ReLU：
a 是 ReLU 上 时的斜率。同样的，Kaiming 初始化也有均匀分布和正态分布两种：
torch.nn.init.kaiming_uniform_(tensor, a=0, mode='fan_in', nonlinearity='leaky_relu')：均匀分布的 Kaiming 初始化函数；torch.nn.init.kaiming_normal_(tensor, a=0, mode='fan_in', nonlinearity='leaky_relu')：正态分布的 Kaiming 初始化函数。
6. 其它初始化方法
torch.nn.init.uniform_(tensor, a=0.0, b=1.0)：初始化服从[a, b]范围的均匀分布；torch.nn.init.normal_(tensor, mean=0.0, std=1.0)：初始化服从mean=0，std=1时的正态分布；torch.nn.init.constant_(tensor, val)：初始化为任一常数；torch.nn.init.ones_(tensor)：初始化为 1；torch.nn.init.zeros_(tensor)初始化为 0；torch.nn.init.eye_(tensor)：初始化对角线为 1，其它为 0；torch.nn.init.orthogonal_(tensor, gain=1)：对张量的矩形区域进行初始化。由于张量都是矩形，个人理解是这个函数会将整个张量进行初始化。torch.nn.init.sparse_(tensor, sparsity, std=0.01)：以sparsity为概率将张量填充 0，剩余的元素的标准差为std。
本文系转载，前往查看
如有侵权，请联系 cloudcommunity@tencent.com 删除。
本文系转载，前往查看
如有侵权，请联系 cloudcommunity@tencent.com 删除。
腾讯云开发者
