利用Python编写的weight_norm()函数生成随机化的权重向量示例

weight_norm()函数是一个用Python编写的函数，用于生成随机化的权重向量。该函数可以用于各种机器学习和深度学习任务中，例如神经网络的初始化、正则化等。

下面是weight_norm()函数的示例代码：

import numpy as np

def weight_norm(shape):
    """
    生成随机化的权重向量
    :param shape: 权重向量的形状，例如 (n, m)，表示生成 n 行 m 列的权重向量
    :return: 随机化的权重向量
    """
    # 使用均匀分布生成随机化的权重向量
    weights = np.random.uniform(low=-1, high=1, size=shape)
    
    # 对权重向量进行归一化
    norm = np.linalg.norm(weights)
    weights = weights / norm
    
    return weights

这个函数接受一个参数 shape，用于指定生成的权重向量的形状。函数内部使用 numpy 库生成了一个随机化的权重向量，然后通过归一化操作将权重向量的模归一化为1。

下面是weight_norm()函数的使用例子：

# 生成一个形状为 (3, 3) 的随机化的权重向量
weights = weight_norm((3, 3))
print(weights)

这段代码会输出一个形状为 (3, 3) 的随机化的权重向量，例如：

[[ 0.19024946  0.45756094  0.05062062]
 [-0.10455013 -0.48942023  0.3984583 ]
 [ 0.26805028 -0.14539494 -0.92902701]]

通过调用 weight_norm() 函数，我们可以生成任意形状的随机化的权重向量，并且这些权重向量的模都被归一化为1。这样的权重向量可以作为神经网络的初始化参数，或者应用于其他机器学习和深度学习任务中。