Introduction
好的开始是成功的一半。 为了让你的模型跑赢在起跑线 ε=ε=ε=(~￣▽￣)~ ，请慎重对待参数初始化。
API
TensorFlow中自带关于参数初始化的API，具体使用见 tensorflow: variable初始化。
全零初始化 (Zero Initialization)
将网络中 所有参数 初始化为 0 。
如果所有的参数都是0，那么所有神经元的输出都将是相同的，那在back propagation的时候，gradient相同，weight update也相同。同一层内所有神经元的行为也是相同的。
这显然不可接受。
随机初始化 (Random Initialization)
将参数值（通过高斯分布或均匀分布）随机初始化为 接近0的 一个很小的随机数（有正有负），从而使对称失效。
代码语言：javascript复制W = tf.Variable(np.random.randn(node_in, node_out)) * 0.001Note：
node_in、node_out表示输入神经元个数、输出神经元个数；- 其中，
np.random.randn(node_in, node_out)输出 服从标准正态分布的node_in × node_out矩阵； - 控制因子：
0.001，保证参数期望接近0； - 一旦随机分布选择不当，就会导致网络优化陷入困境。
Xavier初始化 (Xavier Initialization)
代码语言：javascript复制W = ( tf.Variable(np.random.randn(node_in, node_out)) / np.sqrt(node_in) ) * 0.001
Note：
- 加上了 方差规范化：
/ np.sqrt(node_in)，维持了 输入、输出数据分布方差的一致性，从而更快地收敛。
He初始化 (He Initialization)
代码语言：javascript复制W = ( tf.Variable(np.random.randn(node_in, node_out)) / np.sqrt(node_in/2) ) * 0.001
Note：
- 考虑到 非线性映射 (relu) 函数 的影响， 将 方差规范化 的 分母 修改为
/ np.sqrt(node_in/2)，能让Relu网络更快地收敛。
迁移学习初始化 (Pre-train Initialization)
将 预训练模型的参数 作为新任务上的初始化参数。
数据敏感初始化
根据自身任务数据集而特别定制的参数初始化方法。
[1] 聊一聊深度学习的weight initialization [2] 深度学习之参数初始化策略
