mindspore.common.initializer

初始化神经元参数。

class mindspore.common.initializer.Initializer(**kwargs)[源代码]

初始化器的抽象基类。

说明

Initializer本意是用于在并行模式中延迟Tensor的数据的初始化，而非初始化Tensor。如果必须使用Initializer来初始化Tensor，大多情况下需要在初始化之后使用 mindspore.Tensor.init_data() 。请参考：mindspore.Tensor.init_data 。

参数：

kwargs (dict) - Initializer 的关键字参数。

mindspore.common.initializer.initializer(init, shape=None, dtype=mstype.float32)[源代码]

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： None 。
dtype (mindspore.dtype) - 被初始化的Tensor的数据类型，默认值： mstype.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。

样例：

>>> import numpy as np
>>> import mindspore
>>> from mindspore import Tensor
>>> from mindspore.common.initializer import initializer, One
>>> from mindspore import Parameter
>>> data = Tensor(np.zeros([1, 2, 3]), mindspore.float32)
>>> w1 = Parameter(initializer(data, [1, 2, 3], mindspore.float32))
>>> w2 = Parameter(initializer('ones', [1, 2, 3], mindspore.float32))
>>> w3 = Parameter(initializer(One(), [1, 2, 3], mindspore.float32))
>>> w4 = Parameter(initializer(0, [1, 2, 3], mindspore.float32))

class mindspore.common.initializer.TruncatedNormal(sigma=0.01, mean=0.0, a=- 2.0, b=2.0)[源代码]

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： 0.01 。
mean (float) - 截断正态分布的平均值，默认值： 0.0 。
a (float) - 截断区间的下界，默认值： -2.0 。
b (float) - 截断区间的上界，默认值： 2.0 。

样例：

>>> import mindspore
>>> from mindspore.common.initializer import initializer, TruncatedNormal
>>> from mindspore import Parameter
>>> w1 = Parameter(initializer(TruncatedNormal(), [1, 2, 3], mindspore.float32))
>>> w2 = Parameter(initializer('truncatedNormal', [1, 2, 3], mindspore.float32))

class mindspore.common.initializer.Normal(sigma=0.01, mean=0.0)[源代码]

生成一个服从正态分布 \({N}(\text{sigma}, \text{mean})\) 的随机数组用于初始化Tensor。

\[f(x) = \frac{1} {\sqrt{2*π} * sigma}exp(-\frac{(x - mean)^2} {2*{sigma}^2})\]

参数：

sigma (float) - 正态分布的标准差，默认值： 0.01 。
mean (float) - 正态分布的均值，默认值： 0.0 。

样例：

>>> import mindspore
>>> from mindspore.common.initializer import initializer, Normal
>>> from mindspore import Parameter
>>> w1 = Parameter(initializer(Normal(), [1, 2, 3], mindspore.float32))
>>> w2 = Parameter(initializer('normal', [1, 2, 3], mindspore.float32))

class mindspore.common.initializer.Uniform(scale=0.07)[源代码]

生成一个服从均匀分布 \({U}(-\text{scale}, \text{scale})\) 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： 0.07 。

样例：

>>> import mindspore
>>> from mindspore.common.initializer import initializer, Uniform
>>> from mindspore import Parameter
>>> w1 = Parameter(initializer(Uniform(), [1, 2, 3], mindspore.float32))
>>> w2 = Parameter(initializer('uniform', [1, 2, 3], mindspore.float32))

class mindspore.common.initializer.HeUniform(negative_slope=0, mode='fan_in', nonlinearity='leaky_relu')[源代码]

生成一个服从HeKaiming均匀分布 \({U}(-\text{boundary}, \text{boundary})\) 的随机数组用于初始化Tensor，其中：

\[boundary = \text{gain} \times \sqrt{\frac{3}{fan\_mode}}\]

\(gain\) 是一个可选的缩放因子。如果 \(fan\_mode\) 是 ‘fan_in’，是权重Tensor中输入单元的数量。如果 \(fan\_mode\) 是 ‘fan_out’，则是权重Tensor中输出单元的数量。

有关HeUniform算法，详情可参考 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： 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，默认值： 'fan_in' 。
nonlinearity (str) - 非线性激活函数，推荐使用 'relu' 或 'leaky_relu' ，默认值： 'leaky_relu' 。

样例：

>>> import mindspore
>>> from mindspore.common.initializer import initializer, HeUniform
>>> from mindspore import Parameter
>>> w1 = Parameter(initializer(HeUniform(), [1, 2, 3], mindspore.float32))
>>> w2 = Parameter(initializer('he_uniform', [1, 2, 3], mindspore.float32))

class mindspore.common.initializer.HeNormal(negative_slope=0, mode='fan_in', nonlinearity='leaky_relu')[源代码]

生成一个服从HeKaiming正态分布 \({N}(0, \text{sigma}^2)\) 的随机数组用于初始化Tensor，其中：

\[sigma = \frac{gain} {\sqrt{fan\_mode}}\]

其中， \(gain\) 是一个可选的缩放因子。如果 mode 是 ‘fan_in’，则 \(fan\_mode\) 是权重Tensor中输入单元的数量，如果 mode 是 ‘fan_out’， \(fan\_mode\) 是权重Tensor中输出单元的数量。

HeNormal 算法的详细信息，请查看 https://arxiv.org/abs/1502.01852。

参数：

negative_slope (int, float) - 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： 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，默认值： 'fan_in' 。
nonlinearity (str) - 非线性激活函数，推荐使用 ‘relu’或 ‘leaky_relu’，默认值： 'leaky_relu' 。

样例：

>>> import mindspore
>>> from mindspore.common.initializer import initializer, HeNormal
>>> from mindspore import Parameter
>>> w1 = Parameter(initializer(HeNormal(), [1, 2, 3], mindspore.float32))
>>> w2 = Parameter(initializer('he_normal', [1, 2, 3], mindspore.float32))

class mindspore.common.initializer.XavierNormal(gain=1)[源代码]

生成一个服从Xarvier正态分布的随机数组 \({N}(0, \text{sigma}^2)\) 用于初始化Tensor，其中：

\[sigma = gain * \sqrt{\frac{2}{n_{in} + n_{out}}}\]

\(gain\) 是一个可选的缩放因子。\(n_{in}\) 为权重Tensor中输入单元的数量，\(n_{out}\) 为权重Tensor中输出单元的数量。

有关 XavierNormal 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： 1 。

样例：

>>> import mindspore
>>> from mindspore.common.initializer import initializer, XavierNormal
>>> from mindspore import Parameter
>>> w1 = Parameter(initializer(XavierNormal(), [1, 2, 3], mindspore.float32))
>>> w2 = Parameter(initializer('xavier_normal', [1, 2, 3], mindspore.float32))

class mindspore.common.initializer.XavierUniform(gain=1)[源代码]

生成一个服从Xarvier均匀分布 \({U}(-\text{boundary}, \text{boundary})\) 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：

\[boundary = gain * \sqrt{\frac{6}{n_{in} + n_{out}}}\]

\(gain\) 是一个可选的缩放因子。\(n_{in}\) 为权重Tensor中输入单元的数量，\(n_{out}\) 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： 1 。

样例：

>>> import mindspore
>>> from mindspore.common.initializer import initializer, XavierUniform
>>> from mindspore import Parameter
>>> w1 = Parameter(initializer(XavierUniform(), [1, 2, 3], mindspore.float32))
>>> w2 = Parameter(initializer('xavier_uniform', [1, 2, 3], mindspore.float32))

class mindspore.common.initializer.One(**kwargs)[源代码]

生成一个值全为1的常量数组用于初始化Tensor。

样例：

>>> import mindspore
>>> from mindspore.common.initializer import initializer, One
>>> from mindspore import Parameter
>>> w1 = Parameter(initializer(One(), [1, 2, 3], mindspore.float32))
>>> w2 = Parameter(initializer('ones', [1, 2, 3], mindspore.float32))

class mindspore.common.initializer.Zero(**kwargs)[源代码]

生成一个值全为0的常量数组用于初始化Tensor。

样例：

>>> import mindspore
>>> from mindspore.common.initializer import initializer, Zero
>>> from mindspore import Parameter
>>> w1 = Parameter(initializer(Zero(), [1, 2, 3], mindspore.float32))
>>> w2 = Parameter(initializer('zeros', [1, 2, 3], mindspore.float32))

class mindspore.common.initializer.Constant(value)[源代码]

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。

样例：

>>> import mindspore
>>> from mindspore.common.initializer import initializer, Constant
>>> from mindspore import Parameter
>>> w1 = Parameter(initializer(Constant(3), [1, 2, 3], mindspore.float32))

class mindspore.common.initializer.Identity(**kwargs)[源代码]

生成一个二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。

样例：

>>> import mindspore
>>> from mindspore.common.initializer import initializer, Identity
>>> from mindspore import Parameter
>>> w1 = initializer(Identity(), [2, 3], mindspore.float32)
>>> w2 = initializer('identity', [2, 3], mindspore.float32)

class mindspore.common.initializer.Sparse(sparsity, sigma=0.01)[源代码]

生成一个二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 \({N}(0, 0.01)\) 。

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： 0.01 。

异常：

ValueError - 被初始化的Tensor的维度不等于2。

样例：

>>> import mindspore
>>> from mindspore.common.initializer import initializer, Sparse
>>> from mindspore import Parameter
>>> w1 = Parameter(initializer(Sparse(sparsity=0.1, sigma=0.01), [5, 8], mindspore.float32))

class mindspore.common.initializer.Dirac(groups=1)[源代码]

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： 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。

样例：

>>> import mindspore
>>> from mindspore.common.initializer import initializer, Dirac
>>> from mindspore import Parameter
>>> w1 = Parameter(initializer(Dirac(groups=2), [6, 4, 3, 3], mindspore.float32))
>>> w2 = Parameter(initializer("dirac", [6, 4, 3, 3], mindspore.float32))

class mindspore.common.initializer.Orthogonal(gain=1.0)[源代码]

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。

样例：

>>> import mindspore
>>> from mindspore.common.initializer import initializer, Orthogonal
>>> from mindspore import Parameter
>>> w1 = Parameter(initializer(Orthogonal(gain=2.), [2, 3, 4], mindspore.float32))
>>> w2 = Parameter(initializer('orthogonal', [2, 3, 4], mindspore.float32))

class mindspore.common.initializer.VarianceScaling(scale=1.0, mode='fan_in', distribution='truncated_normal')[源代码]

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 \(stddev = \sqrt{\frac{scale}{n}}\) 的截断或者非截断正态分布。如果 mode 是 ‘fan_in’， \(n\) 是输入单元的数量；如果 mode 是 ‘fan_out’， \(n\) 是输出单元的数量；如果 mode 是 ‘fan_avg’， \(n\) 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 \([-\sqrt{\frac{3*scale}{n}}, \sqrt{\frac{3*scale}{n}}]\)。

参数：

scale (float) - 比例因子，默认值； 1.0 。
mode (str) - 其值应为 'fan_in' ， 'fan_out' 或者 'fan_avg' ，默认值： '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： '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’。

样例：

>>> import mindspore
>>> from mindspore.common.initializer import initializer, VarianceScaling
>>> from mindspore import Parameter
>>> w1 = Parameter(initializer(VarianceScaling(scale=1.0, mode='fan_out',
...                                            distribution='untruncated_normal'), [2, 3], mindspore.float32))
>>> w2 = Parameter(initializer('varianceScaling', [2, 3], mindspore.float32))