如何实现TensorFlow和PyTorch的参数初始化调用？

神经网络中最重要的就是参数了，其中包括权重项$W$和偏置项$b$。 我们训练神经网络的最终目的就是得到最好的参数，使得目标函数取得最小值。参数的初始化也同样重要，因此微调受到很多人的重视， 　　只列一些常用的！ Tensorflow 常数初始化 tf.constant_initializer(value) value取0，则代表的是全0初始化，也可以表示为tf.zeros_initializer() value取1，则代表的是全1初始化，也可以表示为tf.ones_initializer() 随机均匀初始化器 tf.random_uniform_initializer(minval=0, maxval=None) 不需要指定最小值和最大值的均匀初始化： tf.uniform_unit_scaling_initializer(factor=1.0) 随机正态初始化器 (均值为0，方差为1) tf.random_normal_initializer(mean=0.0, stddev=1.0) 截断正态分布初始化器 (均值为0，方差为1) tf.truncated_normal_initializer(mean=0.0, stddev=1.0) 正交矩阵初始化器 tf.orthogonal_initializer() 　　生成正交矩阵的随机数。当需要生成的参数是2维时，这个正交矩阵是由均匀分布的随机数矩阵经过SVD分解而来。 Xavier uniform 初始化器 tf.glorot_uniform_initializer() 　　初始化为与输入输出节点数相关的均匀分布随机数，和xavier_initializer()是一个东西 　　假设均匀分布的区间是[-limit, limit]，则 $$limit=\sqrt{\frac{6}{fan_in + fan_out}}$$ 其中的fan_in和fan_out分别表示输入单元的结点数和输出单元的结点数。 Xavier normal 初始化器 tf.glorot_normal_initializer() 　　初始化为与输入输出节点数相关的截断正太分布随机数 $$stddev = \sqrt{\frac{2}{fan\_in + fan\_out}}$$ 其中的fan_in和fan_out分别表示输入单元的结点数和输出单元的结点数。 变尺度正态、均匀分布 tf.variance_scaling_initializer(scale=1.0,mode="fan_in", distribution="truncated_normal") scale: 缩放尺度 mode： 有3个值可选，分别是 “fan_in”, “fan_out” 和 “fan_avg”，用于控制计算标准差 stddev的值 distribution： 2个值可选，”normal”或“uniform”，定义生成的tensor的分布是截断正太分布还是均匀分布 distribution选‘normal’的时候，生成的是截断正太分布，标准差 stddev = sqrt(scale / n), n的取值根据mode的不同设置而不同： mode = "fan_in"， n为输入单元的结点数； mode = "fan_out"，n为输出单元的结点数； mode = "fan_avg",n为输入和输出单元结点数的平均值; distribution选 ‘uniform’，生成均匀分布的随机数tensor，最大值 max_value和 最小值 min_value 的计算公式： max_value = sqrt(3 * scale / n) min_value = -max_value he初始化 　　如果使用relu激活函数，最好使用He初始化，因为在ReLU网络中，假定每一层有一半的神经元被激活，另一半为0，所有要保持variance不变。 tf.contrib.layers.variance_scaling_initializer() Xavier初始化 如果激活函数用sigmoid和tanh，最好用xavier初始化器， Xavier初始化的基本思想是保持输入和输出的方差一致，这样就避免了所有输出值都趋向于0. from tensorflow.contrib.layers import xavier_initializer pytorch PyTorch 中参数的默认初始化在各个层的reset_parameters()方法中。