nn.init.kaiming_normal_必须传入二维及以上Tensor（如layer.weight），并显式指定mode和nonlinearity（如'fan_in', 'relu'），且需先判空、判类型、确保维度合规。
PyTorch自定义层里nn.init.kaiming_normal_该传什么参数？
直接调用nn.init.kaiming_normal_必须传入一个Tensor，不能传Parameter或nn.Linear这类模块对象。常见错误是写成nn.init.kaiming_normal_(layer.weight)却忘了layer.weight可能为None（比如nn.Linear(in_features, out_features, bias=False)时weight存在但bias为None），或没检查weight是否可训练。
正确做法是先判断属性是否存在且是torch.nn.Parameter类型，并确保其维度≥2（Kaiming初始化要求至少二维张量）：
import torch.nn as nn
import torch.nn.init as init
<p>class MyLayer(nn.Module):
def <strong>init</strong>(self, in_dim, out_dim):
super().<strong>init</strong>()
self.weight = nn.Parameter(torch.empty(out_dim, in_dim))
self.bias = nn.Parameter(torch.empty(out_dim))</p><h1>初始化</h1><pre class='brush:python;toolbar:false;'> init.kaiming_normal_(self.weight, a=0, mode='fan_in', nonlinearity='relu')
init.constant_(self.bias, 0)-
a是LeakyReLU的负斜率，用ReLU就填0；用LeakyReLU就填对应negative_slope -
mode='fan_in'（默认）适用于前向传播方差稳定，'fan_out'适合反向传播；多数情况用'fan_in' - 别漏掉
nonlinearity参数——即使你用的是ReLU，也得显式写nonlinearity='relu'，否则默认按'leaky_relu'算，缩放系数会错
用apply()批量初始化时为什么有些权重没被设上？
apply()遍历模型所有子模块并调用传入函数，但它**不保证执行顺序**，也不自动跳过没有weight或bias的模块（比如nn.ReLU）。最常踩的坑是：在函数里无条件调用init.kaiming_normal_(m.weight)，结果遇到m是nn.BatchNorm2d或nn.Dropout就报AttributeError: 'BatchNorm2d' object has no attribute 'weight'。
安全写法是逐个检查属性是否存在、是否为Parameter、是否满足初始化前提：
立即学习“Python免费学习笔记（深入）”；
def init_weights(m):
if isinstance(m, nn.Linear) or isinstance(m, nn.Conv2d):
init.kaiming_normal_(m.weight, mode='fan_in', nonlinearity='relu')
if m.bias is not None:
init.constant_(m.bias, 0)
elif isinstance(m, nn.BatchNorm2d):
init.constant_(m.weight, 1)
init.constant_(m.bias, 0)
<p>model = MyNet()
model.apply(init_weights)</p>- 不要用
isinstance(m, nn.Module)做泛化判断——几乎所有模块都继承它，会误伤 -
nn.Embedding要用init.normal_而非Kaiming（它不是线性变换） - 如果模型含
nn.LSTM等复合模块，apply会进到它的子模块（如weight_ih_l0），但那些参数名不叫weight，需单独处理
初始化后model.parameters()没变？是不是没生效？
初始化操作是原地修改（in-place），不会返回新Tensor，所以不需要赋值。但如果你在初始化后立刻打印model.state_dict()发现数值“还是老样子”，大概率是因为：你在__init__里初始化了，又在后续调用了model.apply(...)，而后者又把刚设好的权重覆盖掉了——尤其是当apply函数里没加类型判断，对所有模块都强行重置时。
- 推荐只选一种初始化方式：要么在
__init__里手动初化关键层，要么统一用apply，别混用 - 验证是否生效，最直接的是在初始化后立即检查：
print(model.conv1.weight.data.mean(), model.conv1.weight.data.std())——Kaiming normal 初始化后std应接近sqrt(2 / fan_in) - 注意
model.train()/model.eval()不影响初始化结果，但会影响BatchNorm等模块内部状态，别误以为是初始化问题
自定义层带可学习参数但不是weight/bias名怎么办？
比如你写了self.gamma = nn.Parameter(...)用于缩放，或self.register_parameter('alpha', ...)，这些名字不会被apply里的通用逻辑捕获，也不会被PyTorch默认初始化策略识别。
必须在__init__中显式初始化，或在apply函数里额外判断：
def init_weights(m):
if hasattr(m, 'gamma') and isinstance(m.gamma, nn.Parameter):
init.constant_(m.gamma, 1.0)
if hasattr(m, 'alpha') and isinstance(m.alpha, nn.Parameter):
init.normal_(m.alpha, 0, 0.02)
# 其他常规初始化...
- 别依赖
named_parameters()在apply里做反射——apply传入的是模块实例m，不是名称 - 如果参数名不固定（比如通过字符串动态注册），初始化逻辑就得移到
__init__末尾，或用register_load_state_dict_post_hook补救（极少需要）
真正容易被忽略的是：Kaiming初始化只对「权重张量」有意义，对偏置、缩放因子、门控系数等，该用constant_、normal_或xavier_uniform_就得换，不能硬套kaiming_normal_。
