权重初始化是神经网络训练的关键部分之一,良好的权重初始化策略可以帮助模型更快地收敛并达到更好的性能。在下面列出了一些常见的权重初始化策略和它们的优化方法:
(1)随机初始化(Random Initialization)
随机初始化是最常见的权重初始化策略之一。在这种策略中,权重和偏差通常以较小的随机值初始化。这有助于打破对称性,使网络在训练初期能够获得更好的梯度信息,促进收敛。
(2)Xavier初始化(Glorot Initialization)
Xavier初始化是为了解决激活函数的输入和输出尺度差异问题而提出的。对于全连接层,权重按照均匀分布在[-sqrt(6/(n_in + n_out)), sqrt(6/(n_in + n_out))]范围内初始化,其中n_in是输入尺寸,n_out是输出尺寸。