化妆品电子商务网站建设策划书,什么网站流量高,做一个商城网站,网站开发结构图分类目录#xff1a;《深入浅出Pytorch函数》总目录 相关文章#xff1a; 深入浅出Pytorch函数——torch.nn.init.calculate_gain 深入浅出Pytorch函数——torch.nn.init.uniform_ 深入浅出Pytorch函数——torch.nn.init.normal_ 深入浅出Pytorch函数——torch.nn.init.c…分类目录《深入浅出Pytorch函数》总目录 相关文章 · 深入浅出Pytorch函数——torch.nn.init.calculate_gain · 深入浅出Pytorch函数——torch.nn.init.uniform_ · 深入浅出Pytorch函数——torch.nn.init.normal_ · 深入浅出Pytorch函数——torch.nn.init.constant_ · 深入浅出Pytorch函数——torch.nn.init.ones_ · 深入浅出Pytorch函数——torch.nn.init.zeros_ · 深入浅出Pytorch函数——torch.nn.init.eye_ · 深入浅出Pytorch函数——torch.nn.init.dirac_ · 深入浅出Pytorch函数——torch.nn.init.xavier_uniform_ · 深入浅出Pytorch函数——torch.nn.init.xavier_normal_ · 深入浅出Pytorch函数——torch.nn.init.kaiming_uniform_ · 深入浅出Pytorch函数——torch.nn.init.kaiming_normal_ · 深入浅出Pytorch函数——torch.nn.init.trunc_normal_ · 深入浅出Pytorch函数——torch.nn.init.orthogonal_ · 深入浅出Pytorch函数——torch.nn.init.sparse_ torch.nn.init模块中的所有函数都用于初始化神经网络参数因此它们都在torc.no_grad()模式下运行autograd不会将其考虑在内。
根据Martens, J等人在《Deep learning via Hessian-free optimization》中描述的方法将2维的输入张量或变量当做稀疏矩阵填充其中非零元素生成自 N ( 0 , std 2 ) N(0, \text{std}^2) N(0,std2)。
语法
torch.nn.init.sparse_(tensor, sparsity, std0.01)参数
tensor[Tensor] 一个 N N N维张量torch.Tensorsparsity每列中需要被设置成零的元素比例std用于生成非零值的正态分布的标准差
返回值
一个torch.Tensor且参数tensor也会更新
实例
w torch.empty(3, 5)
nn.init.sparse_(w, sparsity0.1)函数实现
def sparse_(tensor, sparsity, std0.01):rFills the 2D input Tensor as a sparse matrix, where thenon-zero elements will be drawn from the normal distribution:math:\mathcal{N}(0, 0.01), as described in Deep learning viaHessian-free optimization - Martens, J. (2010).Args:tensor: an n-dimensional torch.Tensorsparsity: The fraction of elements in each column to be set to zerostd: the standard deviation of the normal distribution used to generatethe non-zero valuesExamples: w torch.empty(3, 5) nn.init.sparse_(w, sparsity0.1)if tensor.ndimension() ! 2:raise ValueError(Only tensors with 2 dimensions are supported)rows, cols tensor.shapenum_zeros int(math.ceil(sparsity * rows))with torch.no_grad():tensor.normal_(0, std)for col_idx in range(cols):row_indices torch.randperm(rows)zero_indices row_indices[:num_zeros]tensor[zero_indices, col_idx] 0return tensor
