Pytorch两种权重初始化的方法

方法一： 可以在定义模型的时候加入参数的初始化，如torchvision.models内的Resnet初始化。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
class ResNet(nn.Module):

    def __init__(self, block, layers, num_classes=1000):
        self.inplanes = 64
        super(ResNet, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3,
                               bias=False)
        self.bn1 = nn.BatchNorm2d(64)
        self.relu = nn.ReLU(inplace=True)
        self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
        self.layer1 = self._make_layer(block, 64, layers[0])
        self.layer2 = self._make_layer(block, 128, layers[1], stride=2)
        self.layer3 = self._make_layer(block, 256, layers[2], stride=2)
        self.layer4 = self._make_layer(block, 512, layers[3], stride=2)
        self.avgpool = nn.AvgPool2d(7)
        self.fc = nn.Linear(512 * block.expansion, num_classes)

        for m in self.modules():
            if isinstance(m, nn.Conv2d):
                n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels
                m.weight.data.normal_(0, math.sqrt(2. / n))
            elif isinstance(m, nn.BatchNorm2d):
                m.weight.data.fill_(1)
                m.bias.data.zero_()

方法二： 定义一个函数，在实例化模型后，对模型进行参数的初始化。

1
2
3
4
5
6
7
8
9
10
11
12
def weights_init_xavier(m):
    classname = m.__class__.__name__
    
    if classname.find('Conv') != -1:
        init.xavier_normal(m.weight.data, gain=0.02)
    elif classname.find('Linear') != -1:
        init.xavier_normal(m.weight.data, gain=0.02)
    elif classname.find('BatchNorm2d') != -1:
        init.normal(m.weight.data, 1.0, 0.02)
        init.constant(m.bias.data, 0.0)
net = torchvision.models.resnet152(pretrained=False)
net.apply(weights_init_xavier)

1. 上面两种方法在找网络中的Conv层的时候方法也不相同，如：

方法一的： isinstance(m, nn.Conv2d)
方法二的：

1
2
classname = m.__class__.__name__
if classname.find('Conv') != -1:

两种也都可以使用。

2. 上述两种方法对于具体参数的初始化也不相同，如：

方法一的：
m.weight.data.normal_(0, math.sqrt(2. / n))
方法二的 ：
调用torch.nn.init
init.normal(m.weight.data, 1.0, 0.02)