yolov3模型参数的初始化

yolov3模型参数的初始化

预训练模型初始化

1.主干网络完成一致（包含结构以及通道数量等）。

2.任务尽可能相似的模型作为预训练模型，效果较好。

3.手动裁剪的网络结构，可以对应的减掉相应的权重文件作为与训练模型（理论上可行，效果待验证）。

其他参数初始化

权重初始化的参考：https://blog.csdn.net/jningwei/article/details/78835390

全零初始化 (Zero Initialization)

将网络中 所有参数 初始化为 0 。

如果所有的参数都是0，那么所有神经元的输出都将是相同的，那在back propagation的时候，gradient相同，weight update也相同。同一层内所有神经元的行为也是相同的。

这显然不可接受。

随机初始化 (Random Initialization)

将参数值（通过高斯分布或均匀分布）随机初始化为 接近0的 一个很小的随机数（有正有负），从而使对称失效。

W = tf.Variable(np.random.randn(node_in, node_out)) * 0.0011

Note：

node_in 、 node_out 表示 输入神经元个数 、输出神经元个数 ；
其中，np.random.randn(node_in, node_out) 输出 服从标准正态分布的node_in × node_out矩阵；
控制因子：0.001 ，保证参数期望接近0；
一旦随机分布选择不当，就会导致网络优化陷入困境。

Xavier初始化 (Xavier Initialization)

W = ( tf.Variable(np.random.randn(node_in, node_out)) / np.sqrt(node_in) ) * 0.0011

Note：

加上了 方差规范化： / np.sqrt(node_in) ，维持了 输入、输出数据分布方差的一致性，从而更快地收敛。

He初始化 (He Initialization)

W = ( tf.Variable(np.random.randn(node_in, node_out)) / np.sqrt(node_in/2) ) * 0.0011

Note：

考虑到 非线性映射 (relu) 函数 的影响， 将 方差规范化 的 分母 修改为 / np.sqrt(node_in/2) ，能让Relu网络更快地收敛。

yolov3-darknet模型初始化

卷积层的参数初始化

//函数路径:src/convolutional_layer.c
convolutional_layer make_convolutional_layer(int batch, int h, int w, int c, int n, int groups, int size, int stride, int padding, ACTIVATION activation, int batch_normalize, int binary