神经网络中权值初始化的方法

神经网络中权值初始化的方法

权值初始化的方法主要有：常量初始化（constant）、高斯分布初始化（gaussian）、positive_unitball初始化、均匀分布初始化（uniform）、xavier初始化、msra初始化、双线性初始化（bilinear）、数学方法 Kaiming初始化、orthogonal正交初始化。

常量初始化(constant)

把权值或者偏置初始化为一个常数，具体是什么常数，可以自己定义

高斯分布初始化（gaussian）

需要给定高斯函数的均值与标准差

positive_unitball初始化

让每一个神经元的输入的权值和为 1，例如：一个神经元有100个输入，让这100个输入的权值和为1. 首先给这100个权值赋值为在（0，1）之间的均匀分布，然后，每一个权值再除以它们的和就可以啦。这么做，可以有助于防止权值初始化过大，从而防止激活函数（sigmoid函数）进入饱和区。所以，它应该比较适合simgmoid形的激活函数

均匀分布初始化（uniform）

将权值与偏置进行均匀分布的初始化，用min 与 max 来控制它们的的上下限，默认为（0，1）

xavier初始化

(论文：《Understanding the difficulty of training deep feedforward neural networks》）

对于权值的分布：均值为0，方差为（1 / 输入的个数） 的 均匀分布。如果我们更注重前向传播的话，我们可以选择 fan_in，即正向传播的输入个数；如果更注重后向传播的话，我们选择 fan_out, 因为在反向传播的时候，fan_out就是神经元的输入个数；如果两者都考虑的话，就选 average = (fan_in + fan_out) /2。对于ReLU激活函数来说，XavierFiller初始化也是很适合。关于该初始化方法，具体可以参考文章1、文章2，该方法假定激活函数是线性的。

msra初始化

(论文：《Delving Deep into Rectifiers:Surpassing Human-Level Performance on ImageNet Classification》.）

对于权值的分布：基于均值为0，方差为( 2/输入的个数)的高斯分布；它特别适合 ReLU激活函数，该方法主要是基于Relu函数提出的，推导过程类似于xavier，可以参考博客。

双线性初始化（bilinear）

常用在反卷积神经网络里的权值初始化

数学方法：Kaiming初始化

如果初始化的权重在训练开始时太大，那么每个矩阵乘法将指数地增加激活函数结果，导致我们称之为梯度爆炸。相反，如果权重太小，那么每个矩阵乘法将减少激活函数结果直到它们完全消失。

Kaiming初始化考虑了每次矩阵乘法后的ReLU激活函数。

简化公式（对于标准ReLU）是通过以下方式缩放随机权重（从标准分布中提取）：

$$ Normalized\; random\;weights \times \sqrt{\frac{2}{size\;of\;input\;erctor}} $$

此外，所有bias参数都应初始化为零。

正交初始化（orthogonal initialize）

用以解决深度网络下的梯度消失、梯度爆炸问题，在RNN中经常使用的参数初始化方法。