权值初始化
当搭建好模型之后,就会遇见权值初始化,良好的初始化能够让模型更好的收敛。如果初始化不合适的话,容易出现梯度爆炸或者消失,而无法很好的训练
针对这个问题提出了一系列的初始化方法
Xavier
初始化
方差一致性:保持数据尺度维持在恰当的范围,通常方差为1
这类初始化方法是针对的饱和函数,如:sigmoid
、Tanh
Understanding the difficulty of training deep feedforward neural networks
def initialize(self):
for m in self.modules():
if isinstance(m, nn.Linear):
# 计算数据输送到激活函数中标准差的变化,即激活函数增益
tanh_gain = nn.init.calculate_gain('tanh')
nn.init.xavier_uniform_(m.weight.data, gain=tanh_gain)
其中nn.init.calculate_gain
主要功能:计算激活函数的方差变化尺度
主要参数:
nonlinearity
:激活函数名称param
:激活函数的参数,如Leaky ReLu
的negative_slop
Kaiming
初始化
当激活函数变成ReLU
之后,Xavier
初始化就不再适用了。针对这个问题何凯明大神提出了Kaiming
初始化
方差一致性:保持数据尺度维持在恰当范围,通常方差为1
激活函数:ReLU
及其变种
Delving Deep into Rectifiers:
Surpassing Human-Level Performance on ImageNet Classification
nn.init.kaiming_normal_(m.weight.data)