Tensorflow线性层的Pyrotch等效物

我试图使用PyTorch框架重新实现Tensorflow代码。下面我介绍了TF示例代码和我的PyT解释

TensorFlow实现：

W1 = tf.Variable(xavier_init([135, 128]))
b1 = tf.Variable(tf.zeros(shape=[128]))

def fcn(x):
    z = tf.reshape(x, (-1, 135))
    out1 = leaky_relu( tf.matmul(z, W1) + b1 )

    return out1

class decoder(nn.Module):
    def __init__(self):
        super(decoder, self).__init__()

        self.layer_10 = nn.Linear(135, 128, bias=True)
        self.leaky = nn.LeakyReLU(0.2, inplace=False)
        init.xavier_uniform(self.layer_10.weight) 

    def forward(self, x):
        z = x.view(-1, 135)
        h30 = self.leaky(self.layer_10(z))

        return h30

PyTorch实施：

W1 = tf.Variable(xavier_init([135, 128]))
b1 = tf.Variable(tf.zeros(shape=[128]))

def fcn(x):
    z = tf.reshape(x, (-1, 135))
    out1 = leaky_relu( tf.matmul(z, W1) + b1 )

    return out1

class decoder(nn.Module):
    def __init__(self):
        super(decoder, self).__init__()

        self.layer_10 = nn.Linear(135, 128, bias=True)
        self.leaky = nn.LeakyReLU(0.2, inplace=False)
        init.xavier_uniform(self.layer_10.weight) 

    def forward(self, x):
        z = x.view(-1, 135)
        h30 = self.leaky(self.layer_10(z))

        return h30

我想知道什么是实现matmul部分的正确方法，因为pytorch中的权重没有明确定义为TF中的权重，如果我错了，请纠正我

不需要显式调用：它在nn.Linear层的forward方法的实现中。通过调用self.layer_10z，您实际上是在幕后调用forward方法，该方法执行矩阵乘法并为您添加偏差

如果希望代码完全相同，可能需要使用相同的方法显式初始化权重。为此，您有实现各种权重初始化的nn.init。具体地说，您可能会发现它是相关的。

您不需要显式调用：它是在nn.Linear层的forward方法的实现中实现的。通过调用self.layer_10z，您实际上是在幕后调用forward方法，该方法执行矩阵乘法并为您添加偏差

---

如果希望代码完全相同，可能需要使用相同的方法显式初始化权重。为此，您有实现各种权重初始化的nn.init。具体来说，您可能会发现相关问题。

谢谢您的回答，权重初始化现在看起来好吗？@Blade为此，您需要了解xavier_init在tensor flow中的作用，并查看它是否匹配pytorch的默认值。我记不清确切的行为。谢谢。作为未来读者的参考，这就是中的第二个示例：itThanks是否需要答案，权重初始化现在看起来好吗？@Blade为此，您需要了解xavier_init在tensor flow中的作用，并查看它是否匹配pytorch的默认值。我记不清确切的行为。谢谢。作为未来读者的参考，这是第二个例子：DoIt