常见的深度学习参数初始化方法总结

在这里插入图片描述

1 随机初始化

每层的权重初始化公式如下：
在这里插入图片描述
上式为一个均匀分布，n_j为输入层的参数，n_(j+1)为输出层的参数

Xavier的推导过程是基于几个假设的，

其中一个是激活函数是线性的，这并不适用于ReLU，sigmoid等非线性激活函数；

另一个是激活值关于0对称，这个不适用于sigmoid函数和ReLU函数它们不是关于0对称的。

Xavier初始化没有考虑激活函数，在某些非线性激活函数上表现不好（大部分激活函数都是有效的），如Relu。因此针对Relu推导了一次，与上面过程类似，只是方差要除以2。

每层的权重初始化公式如下：
在这里插入图片描述
为一个均值为0方差为2/n的高斯分布。

在实际训练中，我们可以选择一个backbone网络，在其基础上做改动。该网络如果有一个已经训练好的在任务A上的模型（称为pre-trained model），可以直接将其放在任务B上做模型调整（称为fine-tuning）。