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。

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。

样例:

>>> import numpy as np
>>> import mindspore
>>> from mindspore import Tensor
>>> from mindspore.common.initializer import initializer, One
>>> data = Tensor(np.zeros([1, 2, 3]), mindspore.float32)
>>> tensor1 = initializer(data, [1, 2, 3], mindspore.float32)
>>> tensor2 = initializer('ones', [1, 2, 3], mindspore.float32)
>>> tensor3 = initializer(One(), [1, 2, 3], mindspore.float32)
>>> tensor4 = initializer(0, [1, 2, 3], mindspore.float32)
class mindspore.common.initializer.TruncatedNormal(sigma=0.01)[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,默认值为0.01。

样例:

>>> import mindspore
>>> from mindspore.common.initializer import initializer, TruncatedNormal
>>> tensor1 = initializer(TruncatedNormal(), [1, 2, 3], mindspore.float32)
>>> tensor2 = 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,默认值为0.01。

  • mean (float) - 正态分布的均值,默认值为0.0。

样例:

>>> import mindspore
>>> from mindspore.common.initializer import initializer, Normal
>>> tensor1 = initializer(Normal(), [1, 2, 3], mindspore.float32)
>>> tensor2 = 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,默认值为0.07。

样例:

>>> import mindspore
>>> from mindspore.common.initializer import initializer, Uniform
>>> tensor1 = initializer(Uniform(), [1, 2, 3], mindspore.float32)
>>> tensor2 = 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’。

样例:

>>> import mindspore
>>> from mindspore.common.initializer import initializer, HeUniform
>>> tensor1 = initializer(HeUniform(), [1, 2, 3], mindspore.float32)
>>> tensor2 = 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’。

样例:

>>> import mindspore
>>> from mindspore.common.initializer import initializer, HeNormal
>>> tensor1 = initializer(HeNormal(), [1, 2, 3], mindspore.float32)
>>> tensor2 = 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,默认值为1。

样例:

>>> import mindspore
>>> from mindspore.common.initializer import initializer, XavierNormal
>>> tensor1 = initializer(XavierNormal(), [1, 2, 3], mindspore.float32)
>>> tensor2 = 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,默认值为1。

样例:

>>> import mindspore
>>> from mindspore.common.initializer import initializer, XavierUniform
>>> tensor1 = initializer(XavierUniform(), [1, 2, 3], mindspore.float32)
>>> tensor2 = 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
>>> tensor1 = initializer(One(), [1, 2, 3], mindspore.float32)
>>> tensor2 = 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
>>> tensor1 = initializer(Zero(), [1, 2, 3], mindspore.float32)
>>> tensor2 = 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
>>> tensor1 = 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
>>> tensor1 = initializer(Identity(), [2, 3], mindspore.float32)
>>> tensor2 = 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,默认值为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
>>> tensor1 = 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。

样例:

>>> import mindspore
>>> from mindspore.common.initializer import initializer, Dirac
>>> tensor1 = initializer(Dirac(groups=2), [6, 4, 3, 3], mindspore.float32)
>>> tensor2 = 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
>>> tensor1 = initializer(Orthogonal(gain=2.), [2, 3, 4], mindspore.float32)
>>> tensor2 = 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’。

样例:

>>> import mindspore
>>> from mindspore.common.initializer import initializer, VarianceScaling
>>> tensor1 = initializer(VarianceScaling(scale=1.0, mode='fan_out',
...                                       distribution='untruncated_normal'), [2, 3], mindspore.float32)
>>> tensor2 = initializer('varianceScaling', [2, 3], mindspore.float32)