mxnet参数初始化，查看

查看：

 import mxnet as mxa = mx.sym.Variable('data')b = mx.sym.FullyConnected(data=a,name='fc1',num_hidden=100)data_shape = {'data':(256,64)}arg_shape,_,_ = b.infer_shape(**data_shape)

>>> b.list_arguments() # 列出symbol中的所有参数，这里是输入以及全连接层的权值和偏置
['data', 'fc1_weight', 'fc1_bias']
>>> arg_shape # 这里展示上面三个参数的size
[(256L, 64L), (100L, 64L), (100L,)]

mxnet的模型参数初始化方法总结

1.mxnet框架的初始化方法在类mxnet.initializer中，参考官方文档https://mxnet.apache.org/api/python/docs/api/initializer/index.html#mxnet.initializer.Xavier

2.具体方法

（1）Bilinear():Initialize weight for upsampling layers.翻译过来就是：初始化上采样层的权重。什么意思？看看源码解释

官方源代码

class Bilinear(Initializer):
"""Initialize weight for upsampling layers."""
def __init__(self):
super(Bilinear, self).__init__()

def _init_weight(self, _, arr):
weight = np.zeros(np.prod(arr.shape), dtype='float32')
shape = arr.shape
f = np.ceil(shape[3] / 2.) # 计算列数/2，向上求余
c = (2 * f - 1 - f % 2) / (2. * f)
for i in range(np.prod(shape)): # 重新生成权重
x = i % shape[3] # 根据列数
y = (i // shape[3]) % shape[2]
weight[i] = (1 - abs(x / f - c)) * (1 - abs(y / f - c))
arr[:] = weight.reshape(shape)
arr是一个矩阵数组，np.prod进行连乘计算，计算出arr中共有多少元素，根据arr数组生成一个全零的一维数组。

无解，只知道是这个意思，具体干什么的，怎么用的，没见过用的，有知道的老哥告知一下，谢谢！

（2）mxnet.initializer.Constant(value)：将权重参数初始化为常数。

源码

class Constant(Initializer):
"""Initializes the weights to a given value.
The value passed in can be a scalar or a NDarray that matches the shape
of the parameter to be set.
Parameters
----------
value : float, NDArray
Value to set.
"""
def __init__(self, value):
super(Constant, self).__init__(value=value)
self.value = value

def _init_weight(self, _, arr):
arr[:] = self.value

def dumps(self):
val = self._kwargs['value']
if not np.isscalar(val):
self._kwargs['value'] = val.tolist() if isinstance(val, np.ndarray) else val.asnumpy().tolist()
return json.dumps([self.__class__.__name__.lower(), self._kwargs])
（3）mxnet.initializer.Normal(sigma=0.01)：将权重初始化为均值为0，标准差为sigma的随机数

（4）mxnet.initializer.One：将权重参数初始化为1

（5）mxnet.initializer.Orthogonal(scale=1.414, rand_type='uniform')：将权重初始化为正交矩阵。

scale权重比例因子，rand_type使用“均匀”或“正常”随机数初始化权重

（6）mxnet.initializer.Uniform(scale=0.07)：使用从给定范围内均匀采样的随机值初始化权重

scale界限值

（7）mxnet.initializer.Xavier(rnd_type='uniform', factor_type='avg', magnitude=3)：返回对权重执行“ Xavier”初始化的初始化器。该初始化程序旨在使所有图层的渐变比例大致相同。

md_type决定生成的随机数类型是“gaussian” or "uniform";factor_type决定随机数的范围，可以是"avg" or "in" or "out"

magnitude决定随机数的规模

（8）mxnet.initializer.Zero：将权重矩阵初始化为0
————————————————
版权声明：本文为CSDN博主「夜雨_小学徒」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/m0_37992521/article/details/105810427

mxnet参数初始化，查看相关推荐

PyTorch模型读写、参数初始化、Finetune
使用了一段时间PyTorch,感觉爱不释手(0-0),听说现在已经有C++接口.在应用过程中不可避免需要使用Finetune/参数初始化/模型加载等. 模型保存/加载 1.所有模型参数训练过程中,有 ...
神经网络中的网络优化和正则化（二）之参数初始化/数据预处理/逐层归一化
转载请注明出处:https://thinkgamer.blog.csdn.net/article/details/101026786 博主微博:http://weibo.com/234654758 G ...
派生类参数初始化列表和基类构造函数顺序
今天被问到了一个问题,随便回了一句,父类还没有构建,怎么能初始化父类的成员. 派生类构造函数的参数初始化列表,为什么不能初始化基类的成员? 例如下面的是不可以的 class Rectangle : p ...
DL之DNN：基于Tensorflow框架对神经网络算法进行参数初始化的常用九大函数及其使用案例
DL之DNN:基于Tensorflow框架对神经网络算法进行参数初始化的常用九大函数及其使用案例目录基于Tensorflow框架对神经网络算法进行初始化的常用函数及其使用案例 1.初始化的常用函数
Paper：Xavier参数初始化之《Understanding the difficulty of training deep feedforward neural networks》的翻译与解读
Paper:Xavier参数初始化之<Understanding the difficulty of training deep feedforward neural networks>的 ...
DL之DNN优化技术：采用三种激活函数(sigmoid、relu、tanh)构建5层神经网络，权重初始值(He参数初始化和Xavier参数初始化)影响隐藏层的激活值分布的直方图可视化
DL之DNN优化技术:采用三种激活函数(sigmoid.relu.tanh)构建5层神经网络,权重初始值(He参数初始化和Xavier参数初始化)影响隐藏层的激活值分布的直方图可视化目录
DL之DNN优化技术：自定义MultiLayerNet【5*100+ReLU】对MNIST数据集训练进而比较三种权重初始值（Xavier参数初始化、He参数初始化）性能差异
DL之DNN优化技术:自定义MultiLayerNet[5*100+ReLU]对MNIST数据集训练进而比较三种权重初始值(Xavier参数初始化.He参数初始化)性能差异导读 #思路:观察不同的权 ...
DL之DNN优化技术：DNN中参数初始化【Lecun参数初始化、He参数初始化和Xavier参数初始化】的简介、使用方法详细攻略
DL之DNN优化技术:DNN中参数初始化[Lecun参数初始化.He参数初始化和Xavier参数初始化]的简介.使用方法详细攻略导读:现在有很多学者认为,随着BN层的提出,权重初始化可能已不再那么紧 ...
DeepLearning：tensorflow 参数初始化和参数保存
参数初始化: sess = tf.InteractiveSession() sess.run(tf.global_variables_initializer()) # 初始化模型的参数参数保存: s ...

mxnet参数初始化，查看

mxnet参数初始化，查看相关推荐

最新文章

热门文章