Python PyTorch spectral_norm用法及代码示例

本文简要介绍python语言中 torch.nn.utils.parametrizations.spectral_norm 的用法。

用法:

torch.nn.utils.parametrizations.spectral_norm(module, name='weight', n_power_iterations=1, eps=1e-12, dim=None)

参数：

• module(torch.nn.Module) -包含模块

• name(str,可选的) -权重参数的名称。默认值："weight"。

• n_power_iterations(int,可选的) -计算频谱范数的幂迭代次数。默认值：1。

• eps(float,可选的) -epsilon 用于计算范数时的数值稳定性。默认值：1e-12。

• dim(int,可选的) -对应于输出数量的维度。默认值：0，除了作为 ConvTranspose{1,2,3}d 实例的模块，当它是 1

返回：

具有注册到指定权重的新参数化的原始模块

将频谱归一化应用于给定模块中的参数。

\mathbf{W}_{SN} = \dfrac{\mathbf{W}}{\sigma(\mathbf{W})}, \sigma(\mathbf{W}) = \max_{\mathbf{h}: \mathbf{h} \ne 0} \dfrac{\|\mathbf{W} \mathbf{h}\|_2}{\|\mathbf{h}\|_2}

当应用于向量时，它简化为

\mathbf{x}_{SN} = \dfrac{\mathbf{x}}{\|\mathbf{x}\|_2}

谱归一化通过降低模型的 Lipschitz 常数来稳定生成对抗网络 (GAN) 中鉴别器(批评者)的训练。每次访问权重时，\sigma 近似执行一次 power method 迭代。如果权重张量的维数大于 2，则在幂迭代法中将其重塑为 2D 以获得谱范数。

参看生成对抗网络的频谱归一化.

注意

此函数是使用 register_parametrization() 中的参数化函数实现的。它是 torch.nn.utils.spectral_norm() 的重新实现。

注意

当这个约束被注册时，与最大奇异值相关的奇异向量被估计而不是随机采样。然后，只要在 training 模式下使用模块访问张量，就会更新执行 power method 的 n_power_iterations。

注意

如果 _SpectralNorm 模块，即 module.parametrization.weight[idx] 在移除时处于训练模式，它将执行另一次幂迭代。如果您想避免这种迭代，请在移除之前将模块设置为 eval 模式。

例子：

>>> snm = spectral_norm(nn.Linear(20, 40))
>>> snm
ParametrizedLinear(
in_features=20, out_features=40, bias=True
(parametrizations): ModuleDict(
    (weight): ParametrizationList(
    (0): _SpectralNorm()
    )
)
)
>>> torch.linalg.matrix_norm(snm.weight, 2)
tensor(1.0000, grad_fn=<CopyBackwards>)