初始化器的用法

初始化定义了设置 Keras 各层权重随机初始值的方法。

用来将初始化器传入 Keras 层的参数名取决于具体的层。通常关键字为 kernel_initializerbias_initializer:

  1. model.add(Dense(64,
  2. kernel_initializer='random_uniform',
  3. bias_initializer='zeros'))

可用的初始化器

下面这些是可用的内置初始化器,是 keras.initializers 模块的一部分:

[source]

Initializer

  1. keras.initializers.Initializer()

初始化器基类:所有初始化器继承这个类。


[source]

Zeros

  1. keras.initializers.Zeros()

将张量初始值设为 0 的初始化器。


[source]

Ones

  1. keras.initializers.Ones()

将张量初始值设为1的初始化器。


[source]

Constant

  1. keras.initializers.Constant(value=0)

将张量初始值设为一个常数的初始化器。

参数

  • value: 浮点数,生成的张量的值。

[source]

RandomNormal

  1. keras.initializers.RandomNormal(mean=0.0, stddev=0.05, seed=None)

按照正态分布生成随机张量的初始化器。

参数

  • mean: 一个 Python 标量或者一个标量张量。要生成的随机值的平均数。
  • stddev: 一个 Python 标量或者一个标量张量。要生成的随机值的标准差。
  • seed: 一个 Python 整数。用于设置随机数种子。

[source]

RandomUniform

  1. keras.initializers.RandomUniform(minval=-0.05, maxval=0.05, seed=None)

按照均匀分布生成随机张量的初始化器。

参数

  • minval: 一个 Python 标量或者一个标量张量。要生成的随机值的范围下限。
  • maxval: 一个 Python 标量或者一个标量张量。要生成的随机值的范围下限。默认为浮点类型的 1。
  • seed: 一个 Python 整数。用于设置随机数种子。

[source]

TruncatedNormal

  1. keras.initializers.TruncatedNormal(mean=0.0, stddev=0.05, seed=None)

按照截尾正态分布生成随机张量的初始化器。

生成的随机值与 RandomNormal 生成的类似,但是在距离平均值两个标准差之外的随机值将被丢弃并重新生成。这是用来生成神经网络权重和滤波器的推荐初始化器。

Arguments

  • mean: 一个 Python 标量或者一个标量张量。要生成的随机值的平均数。
  • stddev: 一个 Python 标量或者一个标量张量。要生成的随机值的标准差。
  • seed: 一个 Python 整数。用于设置随机数种子。

[source]

VarianceScaling

  1. keras.initializers.VarianceScaling(scale=1.0, mode='fan_in', distribution='normal', seed=None)

初始化器能够根据权值的尺寸调整其规模。

使用 distribution="normal" 时,样本是从一个以 0 为中心的截断正态分布中抽取的,stddev = sqrt(scale / n),其中 n 是:

  • 权值张量中输入单元的数量,如果 mode = “fan_in”。
  • 输出单元的数量,如果 mode = “fan_out”。
  • 输入和输出单位数量的平均数,如果 mode = “fan_avg”。

使用 distribution="uniform" 时,样本是从 [-limit,limit] 内的均匀分布中抽取的,其中 limit = sqrt(3 * scale / n)

参数

  • scale: 缩放因子(正浮点数)。
  • mode: “fan_in”, “fan_out”, “fan_avg” 之一。
  • distribution: 使用的随机分布。”normal”, “uniform” 之一。
  • seed: 一个 Python 整数。作为随机发生器的种子。

异常

  • ValueError: 如果 “scale”, mode” 或 “distribution” 参数无效。

[source]

Orthogonal

  1. keras.initializers.Orthogonal(gain=1.0, seed=None)

生成一个随机正交矩阵的初始化器。

参数

  • gain: 适用于正交矩阵的乘法因子。
  • seed: 一个 Python 整数。作为随机发生器的种子。

参考文献

Saxe et al., http://arxiv.org/abs/1312.6120


[source]

Identity

  1. keras.initializers.Identity(gain=1.0)

生成单位矩阵的初始化器。

仅用于 2D 方阵。

参数

  • gain: 适用于单位矩阵的乘法因子。

lecun_uniform

  1. lecun_uniform(seed=None)

LeCun 均匀初始化器。

它从 [-limit,limit] 中的均匀分布中抽取样本,
其中 limitsqrt(3 / fan_in)
fan_in 是权值张量中的输入单位的数量。

Arguments

  • seed: 一个 Python 整数。作为随机发生器的种子。

Returns

一个初始化器。

参考文献

LeCun 98, Efficient Backprop,

  • http://yann.lecun.com/exdb/publis/pdf/lecun-98b.pdf

glorot_normal

  1. glorot_normal(seed=None)

Glorot 正态分布初始化器,也称为 Xavier 正态分布初始化器。

它从以 0 为中心,标准差为 stddev = sqrt(2 / (fan_in + fan_out)) 的截断正态分布中抽取样本,
其中 fan_in 是权值张量中的输入单位的数量,
fan_out 是权值张量中的输出单位的数量。

Arguments

  • seed: 一个 Python 整数。作为随机发生器的种子。

Returns

一个初始化器。

参考文献

Glorot & Bengio, AISTATS 2010

  • http://jmlr.org/proceedings/papers/v9/glorot10a/glorot10a.pdf

glorot_uniform

  1. glorot_uniform(seed=None)

Glorot 均匀分布初始化器,也称为 Xavier 均匀分布初始化器。

它从 [-limit,limit] 中的均匀分布中抽取样本,
其中 limitsqrt(6 / (fan_in + fan_out))
fan_in 是权值张量中的输入单位的数量,
fan_out 是权值张量中的输出单位的数量。

参数

  • seed: 一个 Python 整数。作为随机发生器的种子。

返回

一个初始化器。

参考文献

Glorot & Bengio, AISTATS 2010

  • http://jmlr.org/proceedings/papers/v9/glorot10a/glorot10a.pdf

he_normal

  1. he_normal(seed=None)

He 正态分布初始化器。

它从以 0 为中心,标准差为 stddev = sqrt(2 / fan_in) 的截断正态分布中抽取样本,
其中 fan_in 是权值张量中的输入单位的数量,

参数

  • seed: 一个 Python 整数。作为随机发生器的种子。

返回

一个初始化器。

参考文献

He et al., http://arxiv.org/abs/1502.01852


lecun_normal

  1. lecun_normal(seed=None)

LeCun 正态分布初始化器。

它从以 0 为中心,标准差为 stddev = sqrt(1 / fan_in) 的截断正态分布中抽取样本,
其中 fan_in 是权值张量中的输入单位的数量。

参数

  • seed: 一个 Python 整数。作为随机发生器的种子。

返回

一个初始化器。

参考文献


he_uniform

  1. he_uniform(seed=None)

He 均匀方差缩放初始化器。

它从 [-limit,limit] 中的均匀分布中抽取样本,
其中 limitsqrt(6 / fan_in)
其中 fan_in 是权值张量中的输入单位的数量。

参数

  • seed: 一个 Python 整数。作为随机发生器的种子。

返回

一个初始化器。

参考文献

He et al., http://arxiv.org/abs/1502.01852

一个初始化器可以作为一个字符串传递(必须匹配上面的一个可用的初始化器),或者作为一个可调用函数传递:

  1. from keras import initializers
  2. model.add(Dense(64, kernel_initializer=initializers.random_normal(stddev=0.01)))
  3. # 同样有效;将使用默认参数。
  4. model.add(Dense(64, kernel_initializer='random_normal'))

使用自定义初始化器

如果传递一个自定义的可调用函数,那么它必须使用参数 shape(需要初始化的变量的尺寸)和 dtype(数据类型):

  1. from keras import backend as K
  2. def my_init(shape, dtype=None):
  3. return K.random_normal(shape, dtype=dtype)
  4. model.add(Dense(64, kernel_initializer=my_init))