Xavier参数初始化方法
目录
1 梯度消失与梯度爆炸
2 Xavier方法
1 梯度消失与梯度爆炸
这是一个深度学习领域遇到的老问题了,即使是现在,任何一个新提出的模型,无论是MLP、CNN、还是RNN,随着深度的加深,这两个问题变得尤为严重。
- 梯度消失是指在深度学习训练的过程中,梯度随着链式求导逐层传递逐层减小,最后趋近于0,导致对某些层的训练失效;
- 梯度爆炸与梯度消失相反,梯度随着链式求导逐层传递逐层增大,最后趋于无穷,导致某些层无法收敛;
2 Xavier方法
接下来的推导基于假设:
- 激活函数在0周围的导数接近1(比如tanh);
- 偏置项b初始化为0,期望为0
- 参数初始化期望均为0
Xavier的目的:
- 在前向传播的时候满足 ,即对于每一个结点,它的输出的方差都相同;
- 用梯度反向传播的时候,,,和前向传播时一样希望结点输出的方差都相同;
- 前后传播的方差都相同
对于神经网络中的layer i,假设它的输入是,激活函数为 f ,满足,经过激活函数后的输出为。
假设在初始化之后,处于激活函数的线性区域,即 ,即。
因为 ,若 都是0,那么。
(1)前向传播
在 W , Z , b 独立同分布,且 为0的假设下,
所以。
这里是 layer i 的第k个node的输出,为 layer i−1的第j个node的输出, 为 layer i−1与 layer i第k个node的连接权重。
我们希望的是在前向传播的时候满足 ,即对于每一个结点,它的输出的方差都相同,所以需要满足,所以 可以从方差为的正态分布从采样得到。
(2)后向传播
当我们用梯度反向传播的时候, ,和前向传播时一样希望结点输出的方差都相同,只是这时候需要从方差为的正态分布中采样得到。
(3)均相同
所以按照上述思路,我们无法保证前后传播的方差都相同,所以选择 从方差为的正态分布中采样得到,或者从,的均匀分布中得到(均匀分布的方差为,边界可以按此公式推导得到)
但是之前有假设激活函数在0周围的导数接近1,所以忽略了激活函数的作用,不同激活函数在0周围的导数不同,需要给方差乘上导数的倒数:
神经网络初始化方法-Xavier/kaiming_转行的炼丹师的博客-CSDN博客
Xavier神经网络参数初始化方法 - 知乎
Xavier参数初始化方法相关推荐
- DL之DNN优化技术:DNN中参数初始化【Lecun参数初始化、He参数初始化和Xavier参数初始化】的简介、使用方法详细攻略
DL之DNN优化技术:DNN中参数初始化[Lecun参数初始化.He参数初始化和Xavier参数初始化]的简介.使用方法详细攻略 导读:现在有很多学者认为,随着BN层的提出,权重初始化可能已不再那么紧 ...
- Paper:Xavier参数初始化之《Understanding the difficulty of training deep feedforward neural networks》的翻译与解读
Paper:Xavier参数初始化之<Understanding the difficulty of training deep feedforward neural networks>的 ...
- pytorch中的参数初始化方法
参数初始化(Weight Initialization) 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, ...
- 常见的参数初始化方法
常见的参数初始化方法 我们常见的几种初始化方法是按照"正态分布随机初始化--对应为normal"和按照"均匀分布随机初始化--对应为uniform",这里就不再 ...
- DL之DNN优化技术:采用三种激活函数(sigmoid、relu、tanh)构建5层神经网络,权重初始值(He参数初始化和Xavier参数初始化)影响隐藏层的激活值分布的直方图可视化
DL之DNN优化技术:采用三种激活函数(sigmoid.relu.tanh)构建5层神经网络,权重初始值(He参数初始化和Xavier参数初始化)影响隐藏层的激活值分布的直方图可视化 目录
- DL之DNN优化技术:自定义MultiLayerNet【5*100+ReLU】对MNIST数据集训练进而比较三种权重初始值(Xavier参数初始化、He参数初始化)性能差异
DL之DNN优化技术:自定义MultiLayerNet[5*100+ReLU]对MNIST数据集训练进而比较三种权重初始值(Xavier参数初始化.He参数初始化)性能差异 导读 #思路:观察不同的权 ...
- PyTorch常用参数初始化方法详解
Python微信订餐小程序课程视频 https://edu.csdn.net/course/detail/36074 Python实战量化交易理财系统 https://edu.csdn.net/cou ...
- 【神经网络参数初始化方法】
神经网络的参数学习.训练是一个凸优化的问题,在使用梯度下降算法进行优化时,参数初始值的选择会影响模型的泛化性能(局部最优解).优化效率(梯度消失.梯度爆炸),因此其选择十分关键. 神经网络参数初始化通 ...
- pytorch tensor 初始化_Pytorch - nn.init 参数初始化方法
Pytorch 的参数初始化 - 给定非线性函数的推荐增益值(gain value):nonlinearity 非线性函数gain 增益 Linear / Identity1 Conv{1,2,3}D ...
最新文章
- (转)海量数据面试题集锦
- SHELL脚本--简介
- idea中隐藏.idea文件夹和.iml文件
- java简述垃圾回收原理及算法_Java垃圾回收原理和算法
- jdbc操作演示 mysql
- mysql 1317,MySQL 中的-Error_code:1317-爱可生
- 二.hadoop环境搭建
- EAST实现自然场景下文本检测tensorflow
- 在javascript中NodeList和Array的区别及转换方法
- mysql opxe_PXE安装系统
- Python 爬取表情包并保存在数据库中(以往的爬虫改进)
- DNF私服单机搭建教程
- Delphi学习第一课
- 中科院文新:深度学习入门基础与学习资源
- java.lang.IllegalArgumentException: At least one base package must be specified
- 一周信创舆情观察(11.22~11.28)
- 范数(norm) 几种范数的简单介绍
- Linux 之 开机自启动
- 服务器上reportqueue文件夹,Reportqueue文件夹有什么用?如何设置电脑不生成Reportqueue文件...
- [原创]关于搭建企业级应用的AJAX框架
热门文章
- JAVA高级研发技术栈
- OpenMP #pragma omp parallel for并行化小探究
- 鸿蒙系统的竞争对手,【华为|鸿蒙开源 竞争对手们会转投华为阵营吗】鸿蒙|系统|HarmonyOS|业务|应_科技资讯_联盟·玩科技...
- RSA加密 — 详解
- systemctl重新加载_linux中systemctl详细理解及常用命令
- RHCSA第六天总结
- Premiere/After Effects/Mocha通过自动和手动方式进行镜头稳定
- 如何生成M3U8播放地址用于手机HLS Player(M3U8Player)观看电视频道直播
- 前置机服务器连通_在数据交换中,前置机是什么,有怎样的作用?
- uptime命令详解