不积跬步,无以至千里;不积小流,无以成江海。——荀子

  博客园  :: 首页  :: 新随笔  :: 联系 :: 订阅 订阅  :: 管理

 

 

  “Xavier”初始化方法是一种很有效的神经网络初始化方法,方法来源于2010年的一篇论文《Understanding the difficulty of training deep feedforward neural networks》

 

       文章主要的目标就是使得每一层输出的方差应该尽量相等。下面进行推导:每一层的权重应该满足哪种条件才能实现这个目标。

 

  我们将用到以下和方差相关的定理:

假设有随机变量x和w,它们都服从均值为0,方差为σ的分布,且独立同分布,那么:

•      w*x就会服从均值为0,方差为σ*σ的分布

•      w*x+w*x就会服从均值为0,方差为2*σ*σ的分布

 

  文章实验用的激活函数是tanh激活函数,函数形状如下左图,右图是其导数的函数形状。

 

       从上图可以看出,当x处于0附近时,其导数/斜率接近与1,可以近似将其看成一个线性函数,即f(x)=x。

 

  我们假设所有的输入数据x满足均值为0,方差为的分布,我们再将参数w以均值为0,方差为的方式进行初始化。我们假设第一层是卷积层,卷积层共有n个参数(n=channel*kernel_h*kernel_w),于是为了计算出一个线性部分的结果,我们有:

 

其中,忽略偏置b。

       假设输入x和权重w独立同分布,我们可以得出z服从均值为0,方差为的分布,即

 

  为了更好地表达,我们将层号写在变量的上标处,

 

  我们将卷积层和全连接层统一考虑成n个参数的一层,于是接着就有:

   

  如果我们是一个k层的网络(这里主要值卷积层+全连接层的总和数),我们就有

 

  继续展开,最终可以得到

 

       从上式可以看出,后面的连乘是非常危险的,假如说总是大于1,那么随着层数越深,数值的方差会越来越大;如果乘积小于1,那么随着层数越深,数值的方差会越来越小。

       我们再回头看看这个公式,

 

  如果,那么我们就能保证每层输入与输出的方差保持一致,那么应该满足:

 

  即对应任意第i层,要想保证输入与输出的方差保持一致,需要满足:

 

 

 ------------------------------------------------------------------------------------------------

上面介绍的是前向传播的情况,那么对于反向传播,道理是一样的。

 

假设我们还是一个k层的网络,现在我们得到了第k层的梯度,那么对于第k-1层输入的梯度,有

 

  从上式可以看出K-1层一个数值的梯度,相当于上一层的n个参数的乘加。这个n个参数的计算方式和之前方式一样,只是表示了输出端的数据维度,在此先不去赘述了。

 

  于是我们假设每一层的参数服从均值为0,方差为某值的分布,那么有如下公式:

 

       对于这个k层网络,我们又可以推导出一个的公式:

 

       上式中连乘是非常危险的,前面说过,在此不在赘述(这就会造成梯度爆炸与梯度消失的问题,梯度爆炸与梯度消失可以参考这两篇文章)。我们想要做到数值稳定,使得反向传播前后的数值服从一个稳定的分布,即

 

那么需要满足如下条件:

 

 

 -----------------------------------------------------------------

 

  如果仔细看一下前向传播与反向传播的两个公式,我们就会发现两个n实际上不是同一个n。对于全连接来说,前向操作时,n表示了输入的维度,而后向操作时,n表示了输出的维度。而输出的维度也可以等于下一层的输入维度。所以两个公式实际上可以写作:

 

 

 

       于是为了均衡考量,最终我们的权重方差应满足:

 

  

  下面就是对这个方差的具体使用了。论文提出使用均匀分布进行初始化,我们设定权重要初始化的范围是[-a,a]。而均匀分布的方差为:

由此可以求得

 

上面就是xavier初始化方法,即把参数初始化成下面范围内的均匀分布。

转载自:

CNN数值——xavier(上):https://zhuanlan.zhihu.com/p/22028079

CNN数值——xavier(下): https://zhuanlan.zhihu.com/p/22044472

深度学习——Xavier初始化方法:https://blog.csdn.net/shuzfan/article/details/51338178

 

posted on 2018-04-05 18:51  hejunlin  阅读(39418)  评论(1编辑  收藏  举报