torch.nn.utils.spectral_norm.spectral_norm

torch.nn.utils.spectral_norm.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。

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

譜歸一化透過使用權重矩陣的譜範數$\sigma$對權重張量進行重縮放來穩定生成對抗網路 (GANs) 中判別器 (critic) 的訓練。譜範數使用冪迭代法計算。如果權重張量的維度大於 2，則在冪迭代法中將其重塑為二維以獲得譜範數。這是透過一個鉤子實現的，該鉤子在每次呼叫 forward() 之前計算譜範數並重縮放權重。

請參閱 Spectral Normalization for Generative Adversarial Networks。

引數

• module (nn.Module) – 包含的模組

• name (str, optional) – 權重引數的名稱

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

• eps (float, optional) – 計算範數時的數值穩定性 epsilon

• dim (int, optional) – 對應於輸出數量的維度，預設值為 0，但對於 ConvTranspose{1,2,3}d 型別的模組，則為 1

返回

帶有譜歸一化鉤子的原始模組

返回型別

T_module

注意

此函式已透過 torch.nn.utils.parametrize.register_parametrization() 中的新引數化功能重新實現為 torch.nn.utils.parametrizations.spectral_norm()。請使用較新版本。此函式將在未來的 PyTorch 版本中被棄用。

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])