pytorch卷積神經網絡權重初始化

PyTorch中的卷積神經網絡（CNN）權重初始化是一個重要的步驟，它可以幫助網絡更快地收斂并提高模型的性能。以下是一些常用的權重初始化方法：

1. Xavier初始化：適用于激活函數為ReLU或LeakyReLU的網絡。Xavier初始化通過計算輸入和輸出通道數的乘積來確定權重的標準差，從而使權重在正態分布下均勻分布。

import torch.nn as nn
import torch.nn.init as init

def xavier_init(module, gain=1):
    if isinstance(module, nn.Conv2d) or isinstance(module, nn.Linear):
        init.xavier_uniform_(module.weight, gain=gain)
        if module.bias is not None:
            init.constant_(module.bias, 0)

2. He初始化：適用于激活函數為ReLU及其變體的網絡。He初始化根據輸入通道數來確定權重的標準差，使權重在正態分布下均勻分布。

def he_init(module, scale=1):
    if isinstance(module, nn.Conv2d) or isinstance(module, nn.Linear):
        init.kaiming_uniform_(module.weight, nonlinearity='relu', scale=scale)
        if module.bias is not None:
            init.constant_(module.bias, 0)

3. 隨機初始化：簡單地將權重初始化為隨機值。這種方法可能導致網絡收斂速度較慢，但有時也能獲得不錯的性能。

def random_init(module):
    if isinstance(module, nn.Conv2d) or isinstance(module, nn.Linear):
        init.normal_(module.weight, mean=0, std=0.05)
        if module.bias is not None:
            init.constant_(module.bias, 0)

在定義CNN模型時，可以使用這些初始化方法為權重進行初始化。例如：

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=32, kernel_size=3, padding=1)
        self.conv2 = nn.Conv2d(in_channels=32, out_channels=64, kernel_size=3, padding=1)
        self.fc1 = nn.Linear(in_features=64 * 25 * 25, out_features=128)
        self.fc2 = nn.Linear(in_features=128, out_features=10)
        
        xavier_init(self.conv1)
        xavier_init(self.conv2)
        he_init(self.fc1)
        he_init(self.fc2)

    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = F.max_pool2d(x, 2)
        x = F.relu(self.conv2(x))
        x = F.max_pool2d(x, 2)
        x = x.view(-1, 64 * 25 * 25)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return F.log_softmax(x, dim=1)

注意：在實際應用中，可以根據網絡結構和任務需求選擇合適的權重初始化方法。