mindspore.common.initializer ============================= 初始化神经元参数。 .. py:class:: mindspore.common.initializer.Initializer(**kwargs) 初始化器的抽象基类。 **参数:** - **kwargs** (dict) – `Initializer` 的关键字参数。 .. py:function:: mindspore.common.initializer.initializer(init, shape=None, dtype=mstype.float32) 创建并初始化一个Tensor。 **参数:** - **init** (Union[Tensor, str, Initializer, numbers.Number]) – 初始化方式。 - **str** - `init` 是继承自 `Initializer` 的类的别名,实际使用时会调用相应的类。`init` 的值可以是"normal"、"ones"或"zeros"等。 - **Initializer** - `init` 是继承自 `Initializer` ,用于初始化Tensor的类。 - **numbers.Number** - 用于初始化Tensor的常量。 - **Tensor** - 用于初始化Tensor的Tensor。 - **shape** (Union[tuple, list, int]) - 被初始化的Tensor的shape,默认值为None。 - **dtype** (mindspore.dtype) – 被初始化的Tensor的数据类型,默认值为 `mindspore.float32` 。 **返回:** Tensor。 **异常:** - **TypeError** - 参数 `init` 的类型不正确。 - **ValueError** - 当 `init` 传入Tensor对象时, `init` 的shape与形参 `shape` 内的数值不一致。 .. py:class:: mindspore.common.initializer.TruncatedNormal(sigma=0.01) 生成一个服从截断正态(高斯)分布的随机数组用于初始化Tensor。 **参数:** **sigma** (float) - 截断正态分布的标准差,默认值为0.01。 .. py:class:: mindspore.common.initializer.Normal(sigma=0.01, mean=0.0) 生成一个服从正态分布 :math:`{N}(\text{sigma}, \text{mean})` 的随机数组用于初始化Tensor。 .. math:: f(x) = \frac{1} {\sqrt{2*π} * sigma}exp(-\frac{(x - mean)^2} {2*{sigma}^2}) **参数:** - **sigma** (float) - 正态分布的标准差,默认值为0.01。 - **mean** (float) - 正态分布的均值,默认值为0.0。 .. py:class:: mindspore.common.initializer.Uniform(scale=0.07) 生成一个服从均匀分布 :math:`{U}(-\text{scale}, \text{scale})` 的随机数组用于初始化Tensor。 **参数:** **scale** (float) - 均匀分布的边界,默认值为0.07。 .. py:class:: mindspore.common.initializer.HeUniform(negative_slope=0, mode='fan_in', nonlinearity='leaky_relu') 生成一个服从HeKaiming均匀分布 :math:`{U}(-\text{boundary}, \text{boundary})` 的随机数组用于初始化Tensor,其中: .. math:: boundary = \text{gain} \times \sqrt{\frac{3}{fan\_mode}} :math:`gain` 是一个可选的缩放因子。 :math:`fan\_mode` 是权重Tensor中输入或输出单元的数量,取决于 `mode` 是'fan_in'或是'fan_out'。 **参数:** - **negative_slope** (int, float, bool) - 本层激活函数的负数区间斜率(仅适用于非线性激活函数'leaky_relu'),默认值为0。 - **mode** (str) - 可选'fan_in'或'fan_out','fan_in'会保留前向传递中权重方差的量级,'fan_out'会保留反向传递的量级,默认为'fan_in'。 - **nonlinearity** (str) - 非线性激活函数,推荐使用'relu'或'leaky_relu',默认为'leaky_relu'。 .. py:class:: mindspore.common.initializer.HeNormal(negative_slope=0, mode='fan_in', nonlinearity='leaky_relu') 生成一个服从HeKaiming正态分布 :math:`{N}(0, \text{sigma}^2)` 的随机数组用于初始化Tensor,其中: .. math:: sigma = \frac{gain} {\sqrt{fan\_mode}} 其中, :math:`gain` 是一个可选的缩放因子。如果 `mode` 是'fan_in',则 :math:`fan\_mode` 是权重Tensor中输入单元的数量,如果 `mode` 是'fan_out', :math:`fan\_mode` 是权重Tensor中输出单元的数量。 HeUniform 算法的详细信息,请查看 https://arxiv.org/abs/1502.01852。 **参数:** - **negative_slope** (int, float, bool) - 本层激活函数的负数区间斜率(仅适用于非线性激活函数'leaky_relu'),默认值为0。 - **mode** (str) - 可选'fan_in'或'fan_out','fan_in'会保留前向传递中权重方差的量级,'fan_out'会保留反向传递的量级,默认为'fan_in'。 - **nonlinearity** (str) - 非线性激活函数,推荐使用'relu'或'leaky_relu',默认为'leaky_relu'。 .. py:class:: mindspore.common.initializer.XavierUniform(gain=1) 生成一个服从Xarvier均匀分布U(-boundary, boundary)的随机数组用于初始化Tensor,均匀分布的取值范围为[-boundary, boundary],其中: .. math:: boundary = gain * \sqrt{\frac{6}{n_{in} + n_{out}}} :math:`gain` 是一个可选的缩放因子。:math:`n_{in}` 为权重Tensor中输入单元的数量。:math:`n_{out}` 为权重Tensor中输出单元的数量。 有关 XavierUniform 算法的详细信息,请查看 http://proceedings.mlr.press/v9/glorot10a.html。 **参数:** **gain** (float) - 可选的缩放因子,默认值为1。 .. py:class:: mindspore.common.initializer.One(**kwargs) 生成一个值全为1的常量数组用于初始化Tensor。 .. py:class:: mindspore.common.initializer.Zero(**kwargs) 生成一个值全为0的常量数组用于初始化Tensor。 .. py:class:: mindspore.common.initializer.Constant(value) 生成一个常量数组用于初始化Tensor。 **参数:** **value** (Union[int, numpy.ndarray]) - 用于初始化的常数值或者数组。 .. automodule:: mindspore.common.initializer :members: .. py:class:: mindspore.common.initializer.Identity(**kwargs) 生成一个2维的单位矩阵用于初始化Tensor。 **异常:** - **ValueError** - 被初始化的Tensor的维度不等于2。 .. py:class:: mindspore.common.initializer.Sparse(sparsity, sigma=0.01) 生成一个2维的稀疏矩阵用于初始化Tensor。矩阵非0的位置的值服从正态分布 :math:`N(0, 0.01)` 。 **参数:** - **sparsity** (float) - 矩阵每列中元素被置0的比例。 - **sigma** (float) - 正态分布的标准差,默认值为0.01。 **异常:** - **ValueError** - 被初始化的Tensor的维度不等于2。 .. py:class:: mindspore.common.initializer.Dirac(groups=1) 利用Dirac delta函数生成一个矩阵用于初始化Tensor。这种初始化方式将会保留卷积层的输入。对于group 卷积,通道的每个分组会被分别保留。 **参数:** **groups** (int) - 卷积层中的分组,默认值为1。 **异常:** - **ValueError** - 被初始化的Tensor的维度不在[3, 4, 5]的范围内。 - **ValueError** - 初始化的Tensor的第一个维度不能被groups整除。 .. py:class:: mindspore.common.initializer.Orthogonal(gain=1.) 生成一个正交或半正交矩阵用于初始化Tensor。被初始化的Tensor的维度至少为2。 如果维度大于2,多余的维度将会被展平。 **参数:** **gain** (float) - 可选的比例因子,默认值为1。 **异常:** - **ValueError** - 被初始化的Tensor的维度小于2。 .. py:class:: mindspore.common.initializer.VarianceScaling(scale=1.0, mode='fan_in', distribution='truncated_normal') 生成一个随机的矩阵用于初始化Tensor。 当 `distribution` 是'truncated_normal'或者'untruncated_normal'时,矩阵中的值将服从均值为0,标准差 为 :math:`stddev = \sqrt{\frac{scale}{n}}` 的截断或者非截断正太分布。如果 `mode` 是'fan_in', :math:`n` 是输入单元的数量; 如果 `mode` 是'fan_out', :math:`n` 是输出单元的数量;如果 `mode` 是'fan_avg', :math:`n` 是输入输出单元数量的均值。 当 `distribution` 是'uniform'时,矩阵中的值将服从均匀分布 :math:`[-\sqrt{\frac{3*scale}{n}}, \sqrt{\frac{3*scale}{n}}]`。 **参数:** - **scale** (float) - 比例因子,默认值为1.0。 - **mode** (str) - 其值应为'fan_in','fan_out'或者'fan_avg',默认值为'fan_in'。 - **distribution** (str) - 用于采样的分布类型。它可以是 'uniform','truncated_normal'或'untruncated_normal',默认值为'truncated_normal'。 **异常:** - **ValueError** - `scale` 小于等于0。 - **ValueError** - `mode` 不是'fan_in','fan_out'或者'fan_avg'。 - **ValueError** - `distribution` 不是'truncated_normal','untruncated_normal'或者'uniform'。