from:http://blog.csdn.net/u013989576/article/details/76215989
权值初始化的方法主要有:常量初始化(constant)、高斯分布初始化(gaussian)、positive_unitball初始化、均匀分布初始化(uniform)、xavier初始化、msra初始化、双线性初始化(bilinear)
常量初始化(constant)
把权值或者偏置初始化为一个常数,具体是什么常数,可以自己定义
高斯分布初始化(gaussian)
需要给定高斯函数的均值与标准差
positive_unitball初始化
让每一个神经元的输入的权值和为 1,例如:一个神经元有100个输入,让这100个输入的权值和为1.
首先给这100个权值赋值为在(0,1)之间的均匀分布,然后,每一个权值再除以它们的和就可以啦。这么做,可以有助于防止权值初始化过大,从而防止激活函数(sigmoid函数)进入饱和区。所以,它应该比较适合simgmoid形的激活函数
均匀分布初始化(uniform)
将权值与偏置进行均匀分布的初始化,用min 与 max 来控制它们的的上下限,默认为(0,1)
xavier初始化(论文:《Understanding the difficulty of training deep feedforward neural networks》)
对于权值的分布:均值为0,方差为(1 / 输入的个数) 的 均匀分布。如果我们更注重前向传播的话,我们可以选择
fan_in,即正向传播的输入个数;如果更注重后向传播的话,我们选择 fan_out,
因为在反向传播的时候,fan_out就是神经元的输入个数;如果两者都考虑的话,就选 average = (fan_in + fan_out)
/2。对于ReLU激活函数来说,XavierFiller初始化也是很适合。关于该初始化方法,具体可以参考文章1、文章2,该方法假定激活函数是线性的。
msra初始化(论文:《Delving Deep into Rectifiers:Surpassing Human-Level Performance on ImageNet Classification》.)
对于权值的分布:基于均值为0,方差为( 2/输入的个数)的高斯分布;它特别适合 ReLU激活函数,该方法主要是基于Relu函数提出的,推导过程类似于xavier,可以参考博客。
双线性初始化(bilinear)
常用在反卷积神经网络里的权值初始化