神经网络权值初始化方案
0值初始话：初始化网络的所有权值为0，在反向传播的而过程中由于权重系数都为0导致所有的维度权重相同，此时每一层退化为只有一个神经元。
随机初始化：采用均值为1，方差为0的随机正太分布作并且很小的数据来初始化权值，这解决了网络退化为一个神经元的问题，但是另一方面，网络很深后，整个网络的梯度小时就变得特别严重。
Xavier初始化：当激活函数为tanh（x）时候的的初始化方案，解决随机初始化梯度消失的问题，当时另一方面它只适用于tanh(x)的情况，当激活函数为Relu的时候学习效率变得很低。
He初始化：当激活函数为Relu（x）时候的的初始化方案。
基于编码-解码（Encoder-Decoder）的序列到序列架构，又叫做seq2seq模型
seq2seq模型思想：
seq2seq模型主要应用在机器翻译等领域，在进行机器翻译时，我们都知道比如中文翻译成英文的时候，翻译之后的英文和中文一般是不相等的，这个时候用seq2seq模型就很有优势了，他是RNN的一个典型变种，R x M形状的，即我们的翻译分为两个阶段，encoder阶段,结构先将输入数据编码成一个上下文向量c：
encoder得到c的方法有很多，最简单的方法就是把Encoder的最后一个隐状态赋值给c，还可以对最后的隐状态做一个变换得到c，也可以对所有的隐状态做变换。
比如：
得到c的变换函数得到c之后就用另一个rnn网络对c进行解码：
decoder应用
由于这种Encoder-Decoder结构不限制输入和输出的序列长度，因此应用的范围非常广泛，比如：
机器翻译。Encoder-Decoder的最经典应用，事实上这一结构就是在机器翻译领域最先提出的
文本摘要。输入是一段文本序列，输出是这段文本序列的摘要序列。
阅读理解。将输入的文章和问题分别编码，再对其进行解码得到问题的答案。
语音识别。输入是语音信号序列，输出是文字序列。
