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()

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""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 \(fan\_mode\)'fan_in' ,是权重Tensor中输入单元的数量。如果 \(fan\_mode\)'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''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''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'fan_in' ,则 \(fan\_mode\) 是权重Tensor中输入单元的数量,如果 mode'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''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''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 \({N}(0, sigma)\)

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。Dirac初始化方式通常用于卷积层,会尽可能多的保留输入的特性。

参数:
  • groups (int) - 卷积层中的分组数量,每个组执行相同的初始化。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 - 被初始化的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 1.0

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'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'fan_in'\(n\) 是输入单元的数量; 如果 mode'fan_out'\(n\) 是输出单元的数量;如果 mode'fan_avg'\(n\) 是输入输出单元数量的均值。 当 distribution'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''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))