torch.nn.utils.parametrizations.spectral_norm

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

將譜歸一化應用於給定模組中的引數。

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

當應用於向量時，它簡化為

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

譜歸一化透過降低模型的 Lipschitz 常數，穩定了生成對抗網路 (GAN) 中判別器（評論家）的訓練。每次訪問權重時，透過執行一次冪迭代法來近似計算 $\sigma$。如果權重張量的維度大於 2，則在冪迭代方法中將其重塑為 2D 以獲得譜範數。

參見 用於生成對抗網路的譜歸一化 。

注意

此函式是使用 register_parametrization() 中的 parametrization 功能實現的。它是 torch.nn.utils.spectral_norm() 的重新實現。

注意

註冊此約束後，將估計與最大奇異值相關聯的奇異向量，而不是隨機取樣。然後，當在 training 模式下訪問模組中的張量時，透過執行 n_power_iterations 次冪迭代法來更新這些奇異向量。

注意

如果 _SpectralNorm 模組（即 module.parametrization.weight[idx]）在移除時處於訓練模式，它將執行另一次冪迭代。如果您想避免這次迭代，請在移除前將模組設定為評估模式。

引數

• module (nn.Module) – 包含模組

• name (str, optional) – 權重引數名稱。預設值："weight"。

• n_power_iterations (int, optional) – 用於計算譜範數的冪迭代次數。預設值：1。

• eps (float, optional) – 計算範數時的數值穩定性 epsilon。預設值：1e-12。

• dim (int, optional) – 對應於輸出數量的維度。預設值：0，對於 ConvTranspose{1,2,3}d 模組例項除外，此時為 1。

返回值

註冊了新 parametrization 的原始模組

返回型別

Module

示例

>>> 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(1.0081, grad_fn=<AmaxBackward0>)