Python PyTorch spectral_norm用法及代码示例

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

用法:

torch.nn.utils.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) -权重参数名称

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

• eps(float,可选的) -epsilon 用于计算范数时的数值稳定性

• dim(int,可选的) -与输出数量对应的维度，默认为 0 ，但作为 ConvTranspose{1,2,3}d 实例的模块除外，当它为 1

返回：

带有频谱规范钩子的原始模块

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}

谱归一化通过使用幂迭代方法计算的权重矩阵的谱范数 \sigma 重新缩放权重张量，稳定了生成对抗网络 (GAN) 中鉴别器(批评者)的训练。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。这是通过一个钩子实现的，该钩子在每次 forward() 调用之前计算谱范数并重新调整权重。

参看生成对抗网络的频谱归一化.

注意

此函数已使用 torch.nn.utils.parametrize.register_parametrization() 中的新参数化函数重新实现为 torch.nn.utils.parametrizations.spectral_norm() 。请使用较新的版本。此函数将在 PyTorch 的未来版本中弃用。

例子：

>>> m = spectral_norm(nn.Linear(20, 40))
>>> m
Linear(in_features=20, out_features=40, bias=True)
>>> m.weight_u.size()
torch.Size([40])