torch.nn.utils.weight_norm

torch.nn.utils.weight_norm(module, name='weight', dim=0)[源代码]

对给定模块中的参数进行权重规范化。

$\mathbf{w} = g \dfrac{\mathbf{v}}{\|\mathbf{v}\|}$

权重归一化是一种重新参数化的技术，它将权重张量的大小与其方向解耦。具体来说，它会用两个新的参数来替换原来的name（例如'weight'）：一个用于表示幅度（如'weight_g'），另一个用于表示方向（如'weight_v'）。权重归一化通过在每次调用forward()之前，根据这两个参数重新计算出原始的权重张量来实现。

默认情况下，当dim=0时，范数会为每个输出通道或平面单独计算。若要对整个权重张量计算范数，请设置dim=None。

参见 这篇文章

警告

此函数已弃用，请使用torch.nn.utils.parametrizations.weight_norm()，它采用现代参数化 API。新的weight_norm与从旧的weight_norm生成的state_dict兼容。

迁移指南：

• 权重的幅度（weight_g）和方向（weight_v）现在分别表示为 parametrizations.weight.original0 和 parametrizations.weight.original1。如果你对此感到困扰，请在GitHub 上留言。

• 要删除权重归一化的重参数化，请使用torch.nn.utils.parametrize.remove_parametrizations()。

• 权重不再是在模块的前向传播时一次性重新计算；而是每次访问时都会重新计算。要恢复旧的行为，请在调用相关模块之前使用torch.nn.utils.parametrize.cached()。

参数

• module (Module) - 包含该组件的模块

• name (str, 可选) – 权重参数的名称

• dim (int, 可选) – 用于计算范数的维度

返回值

具有权重范数挂钩的原始模块

返回类型

模块T

示例：

>>> m = weight_norm(nn.Linear(20, 40), name='weight')
>>> m
Linear(in_features=20, out_features=40, bias=True)
>>> m.weight_g.size()
torch.Size([40, 1])
>>> m.weight_v.size()
torch.Size([40, 20])