Glorot和Bengio提出了Xavier方法来初始化网络参数。该方法基于激活是线性的假设。但该假设对ReLU不适用。何凯明(He kaiming)在论文《Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification》中提出了针对 ReLU激活网络的初始化方法。
He初始化
与Xavier方法一样,He初始化方法也希望初始化使得正向传播时,状态值的方差保持不变;反向传播时,关于激活值的梯度的方差保持不变。
其初始化方法为:
其中,为第 l 层神经元个数。
论文:Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification
论文作者推导过程针对的是CNN网络的前向传播和反向传播过程。我们讨论全连接网络结构。
正向传播
正向传播为:
其中,为权重矩阵,为上一层的输出,