深度学习--第11篇: Pytorch权值初始化

参考博客

参考博客: https://blog.csdn.net/weixin_42147780/article/details/103238195

背景知识

神经网络的训练过程中的参数学习是基于梯度下降法进行优化的。梯度下降法需要在开始训练时给每一个参数赋一个初始值，因此权重初始化的选取十分的关键，设定什么样的初始化方法关系到模型能否成功学习。那么如果我们把权重初始值全部设置为0，会怎样？？？通常来说，把权值初始值设置成0，不是一个理性的选择，因为实际上如果初始化为0的话，模型将无法学习。因为如果参数都为0，在第一遍前向计算时，所有的隐层神经元的激活值都相同。这样会导致深层神经元没有区分性。这种现象也称为对称权重现象。因此为了打破这个现象，比较好的方式就是给每个参数随机初始化一个值。

但是初始化的值太小，那么导致神经元的输入过小，经过多层之后信号就消失了，设置的过大导致数据状态过大，对于sigmoid类型的激活函数来说，激活值就一下子饱和了，梯度接近于0，也是不好训练的。

因此一般而言，参数初始化的区间应该根据神经元的性质进行差异化的设置。

Pytorch常见的几种初始化方法。

1. 梯度消失和爆炸

2. Xavier初始化

适合饱和的激活函数：Sigmoid、Tanh类型

2.1 Xavier均匀分布初始化

torch.nn.init.xavier_uniform_(tensor, gain=1.0)
参数:
	tensor: 表示权重参数张量;
	gain:增益

实例:
w = torch.randn([3,5])
nn.init.xavier_uniform_(w, gain=nn.init.calculate_gain('tanh'))

2.2 Xavier正态分布初始化

torch.nn.init.xavier_normal_(tensor, gain=1.0)
参数:
	tensor: 表示权重参数张量;
	gain:增益

实例:
w = torch.randn([3,5])
nn.init.xavier_normal_(w, gain=nn.init.calculate_gain('tanh'))

3. Kaiming初始化

适合非饱和的激活函数：Rulu及其变种类型

3.1 Kaiming正态分布初始化

torch.nn.init.kaiming_normal_(tensor, a=0, mode='fan_in', nonlinearity='leaky_relu')
参数:
	tensor: 表示权重参数张量;
	mode:前向传播选择fan_in, 反向传播选择fan_out;
	nonlinearity:激活函数名, 'relu', 'leaky_relu'

实例:
w = torch.randn([3,5])
nn.init.kaiming_normal_(w, mode='fan_in', nonlinearity='relu')

3.2 Kaiming均匀分布初始化

torch.nn.init.kaiming_uniform_(tensor, a=0, mode='fan_in', nonlinearity='leaky_relu')
参数:
	tensor: 表示权重参数张量;
	mode:前向传播选择fan_in, 反向传播选择fan_out;
	nonlinearity:激活函数名, 'relu', 'leaky_relu'

实例:
w = torch.randn([3,5])
nn.init.kaiming_uniform_(w, mode='fan_in', nonlinearity='relu')