机器学习、神经网络、深度学习权重初始化方法笔记

1、initialize_parameters_zeros: # 零初始化

核心代码如下:

# 经典机器学习
parameters["W"] = np.zeros((m, n)) # 根据自己的输入数据维度确定权重矩阵维度       


# 深度学习
parameters["W"+str(l)] = np.zeros((layers_dims[l], layers_dims[l-1])) 
parameters["b"+str(l)] = np.zeros((layers_dims[l],1))

优点:结构简单,初始化后的参数全部为零,入门时经常使用;

缺点:迭代计算到最优值的时间较长,深度学习时,输入的X是对称数据的话,学习可能无法打破对称性,不能进行有效的学习。

2、def initialize_parameters_random: # 随机初始化

核心代码如下:

机器学习
parameters['W'] = np.random.randn(m, n) * 10


深度学习
parameters['W' + str(l)] = np.random.randn(layers_dims[l], layers_dims[l - 1]) * 10
parameters['b' + str(l)] = np.zeros((layers_dims[l], 1))

优点:可轻微减少学习时间,在一定程度上可以打破输入数据的对称性,K-mean算法中较好用;

缺点:可能导致初始化的权重过大或过小,深度学习梯度下降过程中导致梯度爆炸或消失,结构较为零活,初学不易掌握。

3、def initialize_parameters_xavier: # 梯度抑制初始化

对于tanh激活函数,核心代码如下:

# 深度学习
parameters['W' + str(l)] = np.random.randn(layers_dims[l], layers_dims[l - 1]) * np.sqrt(1 / layers_dims[l - 1])
parameters['b' + str(l)] = np.zeros((layers_dims[l], 1))

对于Relu激活函数,核心代码如下:

# 深度学习
parameters['W' + str(l)] = np.random.randn(layers_dims[l], layers_dims[l - 1]) * np.sqrt(2 / (layers_dims[l - 1] + layers_dims[l]))
parameters['b' + str(l)] = np.zeros((layers_dims[l], 1))

优点:可以有效抑制梯度爆炸和梯度消失,减少一定的学习时间;

缺点:结构零活多变。

-----------------待续-----------------------

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

~Rainbow~

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值