torch.nn.utils.spectral_norm

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

對給定模組中的引數應用譜範數歸一化。

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

譜範數歸一化（Spectral normalization）透過使用冪迭代方法計算權重矩陣的譜範數 $\sigma$，並用其重新縮放權重張量，來穩定生成對抗網路（GANs）中判別器（critic）的訓練。如果權重張量的維度大於 2，則在冪迭代方法中會將其重塑為 2D 以獲得譜範數。這透過一個鉤子實現，該鉤子在每次 forward() 呼叫之前計算譜範數並重新縮放權重。

參閱 Spectral Normalization for Generative Adversarial Networks 。

引數

• module (nn.Module) – 包含引數的模組

• name (str, 可選) – 權重引數的名稱

• n_power_iterations (int, 可選) – 計算譜範數所需的冪迭代次數

• eps (float, 可選) – 用於計算範數時數值穩定性的 epsilon 值

• dim (int, 可選) – 對應輸出維度的維度，預設值為 0，但 ConvTranspose{1,2,3}d 模組例項除外，其預設值為 1

返回

帶有譜範數鉤子的原始模組

返回型別

T_module

注意

此函式已使用 torch.nn.utils.parametrize.register_parametrization() 中的新引數化功能，被重新實現為 torch.nn.utils.parametrizations.spectral_norm()。請使用較新的版本。此函式將在未來版本的 PyTorch 中被棄用。

示例

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