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。例如：nn.Linear和nn.Conv2D，都是在 [-limit, limit] 之间的均匀分布（Uniform distribution），其中 limit 是$\frac{1}{\sqrt{fan\_in}}$，fan_in是指参数张量（tensor）的输入单元的数量 下面是几种常见的初始化方式 常数初始化 nn.init.constant_(w, 0.3) 均匀分布 nn.init.uniform_(w) 正态分布 nn.init.normal_(w, mean=0, std=1) xavier_uniform 初始化 　　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。这是通用的方法，适用于任何激活函数。 # 默认方法 for m in model.modules(): if isinstance(m, (nn.Conv2d, nn.Linear)): nn.init.xavier_uniform_(m.weight) 也可以使用gain参数来自定义初始化的标准差来匹配特定的激活函数： for m in model.modules(): if isinstance(m, (nn.Conv2d, nn.Linear)): nn.init.xavier_uniform_(m.weight(), gain=nn.init.calculate_gain('relu')) xavier_normal 初始化 nn.init.xavier_normal_(w) kaiming_uniform 初始化 nn.init.kaiming_uniform_(w, mode='fan_in', nonlinearity='relu') kaiming_normal 初始化 　　He initialization的思想是：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。推荐在ReLU网络中使用。 for m in model.modules(): if isinstance(m, (nn.Conv2d, nn.Linear)): nn.init.kaiming_normal_(m.weight, mode='fan_in') 正交初始化（Orthogonal Initialization） 　　主要用以解决深度网络下的梯度消失、梯度爆炸问题，在RNN中经常使用的参数初始化方法。 for m in model.modules(): if isinstance(m, (nn.Conv2d, nn.Linear)): nn.init.orthogonal(m.weight) Batchnorm Initialization 　　在非线性激活函数之前，我们想让输出值有比较好的分布（例如高斯分布），以便于计算梯度和更新参数。Batch Normalization 将输出值强行做一次 Gaussian Normalization 和线性变换： for m in model: if isinstance(m, nn.BatchNorm2d): nn.init.constant(m.weight, 1) nn.init.constant(m.bias, 0) 参考 【知乎文章】权重/参数初始化 【CSDN文章】pytorch中的参数初始化方法总结 【CSDN文章】tensorflow 学习笔记（九）- 参数初始化（initializer)