Python torch.nn.PReLU用法及代码示例

用法:

class torch.nn.PReLU(num_parameters=1, init=0.25, device=None, dtype=None)

参数：

• num_parameters(int) -$a$ 要学习的数量。尽管它需要一个 int 作为输入，但只有两个值是合法的：1，或输入的通道数。默认值：1

• init(float) -$a$ 的初始值。默认值：0.25

变量：

~PReLU.weight(Tensor) -形状的可学习权重(num_parameters)。

应用逐元素函数：

$$\text{PReLU}(x)=\max (0,x)+a\ast \min (0,x)$$

或者

$$\text{PReLU}(x)=\{\begin{array}{ll}x,& \text{ if }x\ge 0\\ ax,& \text{ otherwise }\end{array}$$

这里$a$ 是一个可学习的参数。当不带参数调用时，nn.PReLU() 在所有输入通道中使用单个参数 $a$。如果使用 nn.PReLU(nChannels) 调用，则每个输入通道使用单独的 $a$。

注意

在学习 $a$ 以获得良好性能时，不应使用权重衰减。

注意

Channel dim 是输入的第二个 dim 。当输入的 dims < 2 时，则没有通道 dim ，并且通道数 = 1。

形状：

• 输入：$(\ast )$ 其中 * 表示任意数量的附加维度。

• 输出：$(\ast )$，与输入的形状相同。

例子：

>>> m = nn.PReLU()
>>> input = torch.randn(2)
>>> output = m(input)

相关用法

• Python torch.nn.PixelShuffle用法及代码示例
• Python torch.nn.ParameterDict用法及代码示例
• Python torch.nn.PixelUnshuffle用法及代码示例
• Python torch.nn.PairwiseDistance用法及代码示例
• Python torch.nn.PoissonNLLLoss用法及代码示例
• Python torch.nn.ParameterList用法及代码示例
• Python torch.nn.InstanceNorm3d用法及代码示例
• Python torch.nn.quantized.dynamic.LSTM用法及代码示例
• Python torch.nn.EmbeddingBag用法及代码示例
• Python torch.nn.Module.register_forward_hook用法及代码示例
• Python torch.nn.AvgPool2d用法及代码示例
• Python torch.nn.CELU用法及代码示例
• Python torch.nn.Hardsigmoid用法及代码示例
• Python torch.nn.GLU用法及代码示例
• Python torch.nn.functional.conv1d用法及代码示例
• Python torch.nn.Identity用法及代码示例
• Python torch.nn.Sigmoid用法及代码示例
• Python torch.nn.utils.spectral_norm用法及代码示例
• Python torch.nn.utils.prune.custom_from_mask用法及代码示例
• Python torch.nn.MaxUnpool2d用法及代码示例

注：本文由堆栈答案筛选整理自pytorch.org大神的英文原创作品 torch.nn.PReLU。非经特殊声明，原始代码版权归原作者所有，本译文的传播和使用请遵循“署名-相同方式共享 4.0 国际 (CC BY-SA 4.0)”协议。