深度学习之权重初始化

四种权重初始化方法：

• 把w初始化为0
• 对w随机初始化
• Xavier initialization
• He initialization

1. 把w初始化为0:

缺点：

1. 因为如果把w初始化为0，那么每一层的神经元学到的东西都是一样的（输出是一样的）。
2. 在梯度回传阶段，同一层内的所有神经元都是相同的，这样的话神经网络就没有意义了，相当于每一层只有一个神经元。因为在前项传播时，同层的所有神经元都相同，w也相同，在回传计算的梯度时，w的梯度也相同，同层内的神经元同步更新，数值都一样。

2. 对w随机初始化

缺点：
假如，x和a均服从（0,1）分布，随着网络变身，输出的数据的方差会变大，导致后面的层爆掉。如下，每项x都与a中的512个数相乘，得到的数据分布为(0, 255)，偏差很大。


解决：
为了使得输入输出数据分布一致，对于每个a，除以512如下

如果单纯的没有激活函数，上述方法可以保证输入输出分布一致，但是在加入激活函数后，上述办法无法解决，从而有了Xavier 初始化

3. Xavier initialization

在我们假设的100层网络的每一层之后添加一个双曲正切激活函数，然后看看当我们使用我们自己的权值初始化方案时发生了什么，其中层权值按1/√n.进行缩放。

可以看出（0,1）+缩放在加入激活函数的情况下，无法实现输入输出数据分布一致，从而提出了Xavier 初始化
其中，nᵢ是传入网络连接的数量叫“扇入”，nᵢ₊₁是从那层出去的网络连接的数量，也被称为“扇出”。
缺点：
Xavier初始化可以解决关于0对称且在[-1,1]内部有输出(如softsign和tanh)的激活函数，但是cv中常用的relu激活函数，不是关于0对称的，做了一下实验发现均方值为√512/√2，导致输入输出分布也不一致

4. He initialization

使用relu时，发现均方值为√512/√2，为了变为1，在初始化a时，先乘√2/√512，就得到了he 初始化
参考：神经网络中的权值初始化：从最基本的方法到xavier、he初始化方法一路走来的历程
参考：深度学习中神经网络的几种权重初始化方法