torch.nn.init
torch.nn.init.calculate_gain(nonlinearity,param=None)
对于给定的非线性函数，返回推荐的增益值。这些值如下所示：
| nonlinearity | gain |
|---|---|
| linear | 1 |
| conv{1,2,3}d | 1 |
| sigmoid | 1 |
| tanh | 5/3 |
| relu | sqrt(2) |
| leaky_relu | sqrt(2/(1+negative_slope^2)) |
参数：
- nonlinearity - 非线性函数（
nn.functional名称） - param - 非线性函数的可选参数
例子：
>>> gain = nn.init.gain('leaky_relu')
torch.nn.init.uniform(tensor, a=0, b=1)
从均匀分布U(a, b)中生成值，填充输入的张量或变量
参数：
- tensor - n维的torch.Tensor
- a - 均匀分布的下界
- b - 均匀分布的上界
例子
>>> w = torch.Tensor(3, 5)
>>> nn.init.uniform(w)
torch.nn.init.normal(tensor, mean=0, std=1)
从给定均值和标准差的正态分布N(mean, std)中生成值，填充输入的张量或变量
参数：
- tensor – n维的torch.Tensor
- mean – 正态分布的均值
- std – 正态分布的标准差
例子
>>> w = torch.Tensor(3, 5)
>>> nn.init.normal(w)
torch.nn.init.constant(tensor, val)
用val的值填充输入的张量或变量
参数：
- tensor – n维的torch.Tensor或autograd.Variable
- val – 用来填充张量的值
例子：
>>> w = torch.Tensor(3, 5)
>>> nn.init.constant(w)
torch.nn.init.eye(tensor)
用单位矩阵来填充2维输入张量或变量。在线性层尽可能多的保存输入特性。
参数：
- tensor – 2维的torch.Tensor或autograd.Variable
例子：
>>> w = torch.Tensor(3, 5)
>>> nn.init.eye(w)
torch.nn.init.dirac(tensor)
用Dirac $\delta$ 函数来填充{3, 4, 5}维输入张量或变量。在卷积层尽可能多的保存输入通道特性。
参数：
- tensor – {3, 4, 5}维的torch.Tensor或autograd.Variable
例子：
>>> w = torch.Tensor(3, 16, 5, 5)
>>> nn.init.dirac(w)
torch.nn.init.xavier_uniform(tensor, gain=1)
根据Glorot, X.和Bengio, Y.在“Understanding the difficulty of training deep feedforward neural networks”中描述的方法，用一个均匀分布生成值，填充输入的张量或变量。结果张量中的值采样自U(-a, a)，其中a= gain * sqrt( 2/(fan_in + fan_out))* sqrt(3). 该方法也被称为Glorot initialisation
参数：
- tensor – n维的torch.Tensor
- gain - 可选的缩放因子
例子：
>>> w = torch.Tensor(3, 5)
>>> nn.init.xavier_uniform(w, gain=math.sqrt(2.0))
torch.nn.init.xavier_normal(tensor, gain=1)
根据Glorot, X.和Bengio, Y. 于2010年在“Understanding the difficulty of training deep feedforward neural networks”中描述的方法，用一个正态分布生成值，填充输入的张量或变量。结果张量中的值采样自均值为0，标准差为gain * sqrt(2/(fan_in + fan_out))的正态分布。也被称为Glorot initialisation.
参数：
- tensor – n维的torch.Tensor
- gain - 可选的缩放因子
例子：
>>> w = torch.Tensor(3, 5)
>>> nn.init.xavier_normal(w)
torch.nn.init.kaiming_uniform(tensor, a=0, mode='fan_in')
根据He, K等人于2015年在“Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification”中描述的方法，用一个均匀分布生成值，填充输入的张量或变量。结果张量中的值采样自U(-bound, bound)，其中bound = sqrt(2/((1 + a^2) * fan_in)) * sqrt(3)。也被称为He initialisation.
参数：
- tensor – n维的torch.Tensor或autograd.Variable
- a -这层之后使用的rectifier的斜率系数（ReLU的默认值为0）
- mode -可以为“fan_in”（默认）或“fan_out”。“fan_in”保留前向传播时权值方差的量级，“fan_out”保留反向传播时的量级。
例子：
>>> w = torch.Tensor(3, 5)
>>> nn.init.kaiming_uniform(w, mode='fan_in')
torch.nn.init.kaiming_normal(tensor, a=0, mode='fan_in')
根据He, K等人在“Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification”中描述的方法，用一个正态分布生成值，填充输入的张量或变量。结果张量中的值采样自均值为0，标准差为sqrt(2/((1 + a^2) * fan_in))的正态分布。
参数：
- tensor – n维的torch.Tensor或 autograd.Variable
- a -这层之后使用的rectifier的斜率系数（ReLU的默认值为0）
- mode -可以为“fan_in”（默认）或“fan_out”。“fan_in”保留前向传播时权值方差的量级，“fan_out”保留反向传播时的量级。
例子：
>>> w = torch.Tensor(3, 5)
>>> nn.init.kaiming_normal(w, mode='fan_out')
torch.nn.init.orthogonal(tensor, gain=1)
用（半）正交矩阵填充输入的张量或变量。输入张量必须至少是2维的，对于更高维度的张量，超出的维度会被展平，视作行等于第一个维度，列等于稀疏矩阵乘积的2维表示。其中非零元素生成自均值为0，标准差为std的正态分布。
参考：Saxe, A等人(2013)的“Exact solutions to the nonlinear dynamics of learning in deep linear neural networks”
参数：
- tensor – n维的torch.Tensor或 autograd.Variable，其中n>=2
- gain -可选
例子：
>>> w = torch.Tensor(3, 5)
>>> nn.init.orthogonal(w)
torch.nn.init.sparse(tensor, sparsity, std=0.01)
将2维的输入张量或变量当做稀疏矩阵填充，其中非零元素根据一个均值为0，标准差为std的正态分布生成。 参考Martens, J.(2010)的 “Deep learning via Hessian-free optimization”.
参数：
- tensor – n维的torch.Tensor或autograd.Variable
- sparsity - 每列中需要被设置成零的元素比例
- std - 用于生成非零值的正态分布的标准差
例子：
>>> w = torch.Tensor(3, 5)
>>> nn.init.sparse(w, sparsity=0.1)