fluid.initializer¶

Bilinear¶

paddle.fluid.initializer.Bilinear¶

BilinearInitializer 的别名

BilinearInitializer¶

class paddle.fluid.initializer.BilinearInitializer[源代码]¶

该初始化函数用于转置卷积函数，进行上采样。用户通过任意整型因子放大shape为(B，C，H，W)的特征图。用法如下：

代码示例:

import paddle.fluid as fluid
factor = 2
C = 2
w_attr = fluid.initializer.ParamAttr(
    learning_rate=0.,
    regularizer=fluid.regularizer.L2Decay(0.),
    initializer=fluid.initializer.Bilinear())
x = fluid.layers.data(name="data", shape=[3, 32, 32],
                      dtype="float32")
conv_up = fluid.layers.conv2d_transpose(
    input=x,
    num_filters=C,
    output_size=None,
    filter_size=2 * factor - factor % 2,
    padding=int(math.ceil((factor - 1) / 2.)),
    stride=factor,
    groups=C,
    param_attr=w_attr,
    bias_attr=False)

num_filters = C和groups = C 表示这是按通道转置的卷积函数。滤波器shape为(C,1,K,K)，K为filter_size。该初始化函数为滤波器的每个通道设置(K,K)插值核。输出特征图的最终输出shape为(B,C,factor*H,factor*W)。注意学习率和权重衰减设为0，以便在训练过程中双线性插值的系数值保持不变

Constant¶

paddle.fluid.initializer.Constant¶

ConstantInitializer 的别名

ConstantInitializer¶

class paddle.fluid.initializer.ConstantInitializer(value=0.0, force_cpu=False)[源代码]¶

常量初始器

参数：

• value (float) - 用常量初始化变量

代码示例

import paddle.fluid as fluid
x = fluid.layers.data(name="data", shape=[32, 32], dtype="float32")
fc = fluid.layers.fc(input=x, size=10,
    param_attr=fluid.initializer.Constant(value=2.0))

force_init_on_cpu¶

paddle.fluid.initializer.force_init_on_cpu()[源代码]¶

标志位，是否强制在CPU上进行变量初始化。

返回：状态，是否应强制在CPU上强制进行变量初始化

返回类型：bool

代码示例：

import paddle.fluid as fluid
if fluid.initializer.force_init_on_cpu():
    step = fluid.layers.create_global_var(shape=[2,3], value=1.0, dtype='float32')

init_on_cpu¶

paddle.fluid.initializer.init_on_cpu()[源代码]¶

强制变量在 cpu 上初始化。

代码示例

import paddle.fluid as fluid
with fluid.initializer.init_on_cpu():
    step = fluid.layers.create_global_var(shape=[2,3], value=1.0, dtype='float32')

MSRA¶

paddle.fluid.initializer.MSRA¶

MSRAInitializer 的别名

MSRAInitializer¶

class paddle.fluid.initializer.MSRAInitializer(uniform=True, fan_in=None, seed=0)[源代码]¶

实现MSRA初始化（a.k.a. Kaiming初始化）

该类实现权重初始化方法，方法来自Kaiming He，Xiangyu Zhang，Shaoqing Ren 和 Jian Sun所写的论文: Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification 。这是一个鲁棒性特别强的初始化方法，并且适应了非线性激活函数（rectifier nonlinearities）。

在均匀分布中，范围为[-x,x]，其中：

在正态分布中，均值为0，标准差为：

参数：

• uniform (bool) - 是否用均匀分布或正态分布
• fan_in (float) - MSRAInitializer的fan_in。如果为None，fan_in沿伸自变量
• seed (int) - 随机种子

代码示例：

import paddle.fluid as fluid
x = fluid.layers.data(name="data", shape=[32, 32], dtype="float32")
fc = fluid.layers.fc(input=x, size=10, param_attr=fluid.initializer.MSRA(uniform=False))

Normal¶

paddle.fluid.initializer.Normal¶

NormalInitializer 的别名

NormalInitializer¶

class paddle.fluid.initializer.NormalInitializer(loc=0.0, scale=1.0, seed=0)[源代码]¶

随机正态（高斯）分布初始化器

参数：

• loc （float） - 正态分布的平均值
• scale （float） - 正态分布的标准差
• seed （int） - 随机种子

代码示例

import paddle.fluid as fluid
x = fluid.layers.data(name="data", shape=[32, 32], dtype="float32")
fc = fluid.layers.fc(input=x, size=10,
    param_attr=fluid.initializer.Normal(loc=0.0, scale=2.0))

NumpyArrayInitializer¶

class paddle.fluid.initializer.NumpyArrayInitializer(value)[源代码]¶

使用Numpy型数组来初始化参数变量。

参数：

• value （numpy） - 用于初始化变量的一个Numpy型数组。

代码示例

import paddle.fluid as fluid
x = fluid.layers.data(name="x", shape=[5], dtype='float32')
fc = fluid.layers.fc(input=x, size=10,
    param_attr=fluid.initializer.NumpyArrayInitializer(numpy.array([1,2])))

TruncatedNormal¶

paddle.fluid.initializer.TruncatedNormal¶

TruncatedNormalInitializer 的别名

TruncatedNormalInitializer¶

class paddle.fluid.initializer.TruncatedNormalInitializer(loc=0.0, scale=1.0, seed=0)[源代码]¶

Random Truncated Normal（高斯）分布初始化器

参数：

• loc （float） - 正态分布的平均值
• scale （float） - 正态分布的标准差
• seed （int） - 随机种子

代码示例

import paddle.fluid as fluid
x = fluid.layers.data(name='x', shape=[1], dtype='float32')
fc = fluid.layers.fc(input=x, size=10,
    param_attr=fluid.initializer.TruncatedNormal(loc=0.0, scale=2.0))

Uniform¶

paddle.fluid.initializer.Uniform¶

UniformInitializer 的别名

UniformInitializer¶

class paddle.fluid.initializer.UniformInitializer(low=-1.0, high=1.0, seed=0)[源代码]¶

随机均匀分布初始化器

参数：

• low (float) - 下界
• high (float) - 上界
• seed (int) - 随机种子

代码示例

import paddle.fluid as fluid
x = fluid.layers.data(name='x', shape=[1], dtype='float32')
fc = fluid.layers.fc(input=x, size=10,
     param_attr=fluid.initializer.Uniform(low=-0.5, high=0.5))

Xavier¶

paddle.fluid.initializer.Xavier¶

XavierInitializer 的别名

XavierInitializer¶

class paddle.fluid.initializer.XavierInitializer(uniform=True, fan_in=None, fan_out=None, seed=0)[源代码]¶

该类实现Xavier权重初始化方法（ Xavier weight initializer），Xavier权重初始化方法出自Xavier Glorot和Yoshua Bengio的论文 Understanding the difficulty of training deep feedforward neural networks

该初始化函数用于保持所有层的梯度尺度几乎一致。

在均匀分布的情况下，取值范围为[-x,x]，其中：

正态分布的情况下，均值为0，标准差为：

参数：

• uniform (bool) - 是否用均匀分布或者正态分布
• fan_in (float) - 用于Xavier初始化的fan_in。如果为None，fan_in沿伸自变量
• fan_out (float) - 用于Xavier初始化的fan_out。如果为None，fan_out沿伸自变量
• seed (int) - 随机种子

代码示例：

import paddle.fluid as fluid
queries = fluid.layers.data(name='x', shape=[1], dtype='float32')
fc = fluid.layers.fc(
    input=queries, size=10,
    param_attr=fluid.initializer.Xavier(uniform=False))