简历模板免费使用手机版_东营今天的消息_深圳疫情最新消息_全球疫情今天最新消息

在PyTorch中，如果不对网络参数进行显式初始化，各层会使用其默认的初始化方法。不同层类型的初始化策略有所不同，以下是常见层的默认初始化方式：

1. 全连接层 (nn.Linear)

• 权重初始化：使用Kaiming均匀分布（He初始化），假设激活函数为Leaky ReLU（负斜率a=sqrt(5)）。初始化范围根据输入维度（fan_in）计算，公式为：

$$\text{bound}=\frac{1}{\sqrt{\text{fan\_in}}}$$

权重从均匀分布 ( U(-\text{bound}, \text{bound}) ) 中采样。
• 偏置初始化：均匀分布在 ([-1/\sqrt{\text{fan_in}}, 1/\sqrt{\text{fan_in}}]) 之间。

2. 卷积层 (nn.Conv2d, nn.Conv1d, nn.Conv3d)

• 权重初始化：与全连接层类似，使用Kaiming均匀分布，但fan_in计算为输入通道数乘以卷积核面积（例如，对于Conv2d，fan_in = in_channels * kernel_height * kernel_width）。
• 偏置初始化：与全连接层相同，均匀分布在 ([-1/\sqrt{\text{fan_in}}, 1/\sqrt{\text{fan_in}}]) 之间。

3. LSTM/GRU层 (nn.LSTM, nn.GRU)

• 权重初始化：权重从均匀分布 ( U(-1/\sqrt{\text{hidden_size}}, 1/\sqrt{\text{hidden_size}}) ) 中采样。
• 偏置初始化：偏置分为两部分，一部分初始化为零，另一部分从均匀分布 ( U(-1/\sqrt{\text{hidden_size}}, 1/\sqrt{\text{hidden_size}}) ) 中采样。

4. 批归一化层 (nn.BatchNorm1d, nn.BatchNorm2d)

• 缩放参数（weight）：初始化为1。
• 偏移参数（bias）：初始化为0。

5. 嵌入层 (nn.Embedding)

• 权重初始化：从正态分布 ( N(0, 1) ) 中采样。

默认初始化的潜在问题

• 激活函数不匹配：Kaiming初始化默认假设使用Leaky ReLU（a=sqrt(5)），若使用ReLU或其他激活函数，可能需要手动调整初始化方式以避免梯度不稳定。
• 深层网络训练：默认初始化在较浅网络中表现良好，但在深层网络中可能需要更精细的初始化（如Xavier或正交初始化）。

代码示例：查看默认初始化

import torch.nn as nn# 定义层
linear = nn.Linear(100, 50)
conv = nn.Conv2d(3, 16, kernel_size=3)
lstm = nn.LSTM(input_size=10, hidden_size=20)# 打印权重范围和标准差
def print_init_info(module):for name, param in module.named_parameters():if 'weight' in name:print(f"{name} mean: {param.data.mean():.4f}, std: {param.data.std():.4f}, range: [{param.data.min():.4f}, {param.data.max():.4f}]")elif 'bias' in name:print(f"{name} mean: {param.data.mean():.4f}")print("Linear层初始化信息:")
print_init_info(linear)print("\nConv2d层初始化信息:")
print_init_info(conv)print("\nLSTM层初始化信息:")
print_init_info(lstm)

手动初始化推荐

若默认初始化不适用，可手动初始化以适配激活函数：

# 针对ReLU的Kaiming初始化
for module in model.modules():if isinstance(module, (nn.Linear, nn.Conv2d)):nn.init.kaiming_normal_(module.weight, mode='fan_in', nonlinearity='relu')if module.bias is not None:nn.init.zeros_(module.bias)elif isinstance(module, nn.LSTM):for name, param in module.named_parameters():if 'weight' in name:nn.init.xavier_uniform_(param)elif 'bias' in name:nn.init.zeros_(param)