torch.nn.utils.weight_norm

torch.nn.utils.weight_norm(module, name='weight', dim=0)

将权重归一化应用于给定模块中的参数。

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

权重归一化是一种将权重张量的幅度与其方向解耦的重参数化。这用两个参数替换了由 name 指定的参数（例如 'weight' ），一个指定幅度（例如 'weight_g' ）和一个指定方向（例如 'weight_v' ）。权重归一化通过一个钩子实现，该钩子在每次 forward() 调用之前从幅度和方向重新计算权重张量。

默认情况下，使用 dim=0 ，范数是独立于每个输出通道/平面的。要计算整个权重张量的范数，请使用 dim=None 。

请参阅 https://arxiv.org/abs/1602.07868

警告

此功能已弃用。请使用 torch.nn.utils.parametrizations.weight_norm() ，它使用现代参数化 API。新的 weight_norm 与由旧 state_dict 生成的 weight_norm 兼容。

迁移指南：

• 现在将幅度（ weight_g ）和方向（ weight_v ）分别表示为 parametrizations.weight.original0 和 parametrizations.weight.original1 。如果这让您感到困扰，请在此处评论：https://github.com/pytorch/pytorch/issues/102999

• 要移除权重归一化重参数化，请使用 torch.nn.utils.parametrize.remove_parametrizations() 。

• 模块的权重不再在模块前向传播时一次性重新计算；相反，它将在每次访问时重新计算。要恢复旧行为，请在调用相关模块之前使用 torch.nn.utils.parametrize.cached() 。

参数:

• 模块（Module）- 包含模块

• name（str，可选）- 权重参数的名称

• dim（int，可选）- 计算范数的维度

返回值:

带权重范数钩子的原始模块

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])