Pytorch：AG接口,BBIN接口,MG接口,PT接口对接平台权重初始化

标签：parameter   ane   平台   alt   out   自己的   str   通过   ref   

1、不初始化的效果
在Pytorch中，定义一个tensor，不进行初始化，打印看看结果：

w = torch.Tensor(3,4)
print (w)

可以看到这时候的初始化的数值都是随机的，而且特别大，这对网络的训练必定不好，最后导致精度提不上，甚至损失无法收敛。

2、初始化的效果

演示站：http://fanshubbs.com/thread-424-1-1.html
PyTorch提供了多种参数初始化函数：

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。详细请参考：
注意上面的初始化函数的参数tensor，虽然写的是tensor，但是也可以是Variable类型的。而神经网络的参数类型Parameter是Variable类的子类，所以初始化函数可以直接作用于神经网络参数。实际上，我们初始化也是直接去初始化神经网络的参数。

让我们试试效果:

w = torch.Tensor(3,4)
torch.nn.init.normal_(w)
print (w)

3、初始化神经网络的参数
对神经网络的初始化往往放在模型的init()函数中，如下所示：
class Net(nn.Module):

def init(self, block, layers, num_classes=1000):
self.inplanes = 64
super(Net, self).init()

*** #定义自己的网络层
***

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_()

*** #定义后续的函数

也可以采取另一种方式：
定义一个权重初始化函数，如下：

def weights_init(m):
classname = m.class.name
if classname.find(‘Conv2d‘) != -1:
init.xaviernormal(m.weight.data)
init.constant_(m.bias.data, 0.0)
elif classname.find(‘Linear‘) != -1:
init.xaviernormal(m.weight.data)
init.constant_(m.bias.data, 0.0)

在模型声明时，调用初始化函数，初始化神经网络参数：

model = Net(*****)
model.apply(weights_init)

Pytorch：AG接口,BBIN接口,MG接口,PT接口对接平台权重初始化

标签：parameter   ane   平台   alt   out   自己的   str   通过   ref   

原文地址：http://blog.51cto.com/14135971/2331344