互联网定制产品网站网站排名查询平台

前言：前一篇文章我们讲解了人工神经网络的激活函数，接下来讲解参数初始化和损失函数。

一、参数初始化

（一）概念

我们在构建网络之后，网络中的参数是需要初始化的。参数初始化是神经网络训练的第一步，直接影响模型的收敛性、训练速度和最终性能。我们需要初始化的参数主要有权重和偏置，偏置一般初始化为0即可，而对权重的初始化则会更加重要。

参数初始化的设置：

• 防止梯度消失或爆炸：初始权重值过大或过小会导致梯度在反向传播中指数级增大或缩小；
• 提高收敛速度：合理的初始化使得网络的激活值分布适中，有助于梯度高效更新；
• 保持对称性破除：权重的初始化需要打破对称性，否则网络的学习能力会受到限制。

（二）常见参数初始化函数

1.均匀分布初始化

权重参数初始化从区间均匀随机取值，默认区间为（0，1）。如下图: 其中d为神经元的输入数量。

2.正态分布初始化

随机初始化从均值为0，标准差是1的高斯分布中取样，使用一些很小的值对参数W进行初始化。

• 优点：能有效打破对称性。
• 缺点：随机选择范围不当可能导致梯度问题。
• 适用场景：浅层网络或低复杂度模型。隐藏层1-3层，总层数不超过5层。

3.全0初始化

将神经网络中的所有权重参数初始化为0。

• 优点：实现简单。
• 缺点：无法打破对称性，所有神经元更新方向相同，无法有效训练。
• 适用场景：几乎不使用，仅用于偏置项的初始化。

4.全1初始化

将神经网络中的所有权重参数初始化为1。

• 优点：实现简单。
• 缺点
  • 无法打破对称性，所有神经元更新方向相同，无法有效训练；
  • 会导致激活值在网络中呈指数增长，容易出现梯度爆炸。
• 适用场景
  • 测试或调试：比如验证神经网络是否能正常前向传播和反向传播；
  • 特殊模型结构：某些稀疏网络或特定的自定义网络中可能需要手动设置部分参数为1；
  • 偏置初始化：偶尔可以将偏置初始化为小的正值（如 0.1），但很少用1作为偏置的初始值。

5.固定值初始化

将神经网络中的所有权重参数初始化为某个固定值。

• 优点：实现简单。
• 缺点
  • 无法打破对称性，所有神经元更新方向相同，无法有效训练；
  • 初始权重过大或过小可能导致梯度爆炸或梯度消失。
• 适用场景
  • 测试或调试。

6.kaiming初始化

kaiming初始化其实也叫做HE初始化：专为ReLU和其变体设计，考虑到ReLU激活函数的特性，对输入维度进行缩放；

• HE初始化分为正态分布的HE初始化、均匀分布的HE初始化。
• • 正态分布的he初始化
    • w权重值从均值为0, 标准差为std中随机采样，std = sqrt(2 / fan_in)；
    • std值越大，w权重值离均值0分布相对较广，计算得到的内部状态值有较大的正值或负值。
  • 均匀分布的he初始化
    • 它从[-limit，limit] 中的均匀分布中抽取样本, limit 是 sqrt(6 / fan_in)
  • fan_in 输入神经元的个数，当前层接受的来自上一层的神经元的数量。简单来说，就是当前层接收多少个输入
• 优点：适合 ReLU，能保持梯度稳定
• 缺点：对非 ReLU 激活函数效果一般
• 适用场景：深度网络(10层及以上)，使用 ReLU、Leaky ReLU 激活函数

7.xavier初始化

xavier初始化也叫做Glorot初始化：根据网络输入和输出的维度自动选择权重范围，使输入和输出的方差相同；

• xavier初始化分为正态分布的xavier初始化、均匀分布的xavier初始化。

• • 正态化的Xavier初始化
    • w权重值从均值为0, 标准差为std中随机采样，std = sqrt(2 / (fan_in + fan_out))；
    • std值越小，w权重值离均值0分布相对集中，计算得到的内部状态值有较小的正值或负值。
  • 均匀分布的Xavier初始化
    • [-limit，limit] 中的均匀分布中抽取样本, limit 是 sqrt(6 / (fan_in + fan_out))；
  • fan_in 是输入神经元个数，当前层接受的来自上一层的神经元的数量。简单来说，就是当前层接收多少个输入；
  • fan_out 是输出神经元个数，当前层输出的神经元的数量，也就是当前层会传递给下一层的神经元的数量。简单来说，就是当前层会产生多少个输出。

• 优点：适用于Sigmoid、Tanh 等激活函数，解决梯度消失问题。

• 缺点：对 ReLU 等激活函数表现欠佳。

• 适用场景：深度网络(10层及以上)，使用 Sigmoid 或 Tanh 激活函数。

import torch.nn as nn# 1. 均匀分布随机初始化
def test01():linear = nn.Linear(5, 3)# 从0-1均匀分布产生参数nn.init.uniform_(linear.weight)nn.init.uniform_(linear.bias)print(linear.weight.data)# 2. 固定初始化
def test02():linear = nn.Linear(5, 3)nn.init.constant_(linear.weight, 5)print(linear.weight.data)# 3. 全0初始化
def test03():linear = nn.Linear(5, 3)nn.init.zeros_(linear.weight)print(linear.weight.data)# 4. 全1初始化
def test04():linear = nn.Linear(5, 3)nn.init.ones_(linear.weight)print(linear.weight.data)# 5. 正态分布随机初始化
def test05():linear = nn.Linear(5, 3)nn.init.normal_(linear.weight, mean=0, std=1)print(linear.weight.data)# 6. kaiming 初始化
def test06():# kaiming 正态分布初始化linear = nn.Linear(5, 3)nn.init.kaiming_normal_(linear.weight, nonlinearity='relu')print(linear.weight.data)# kaiming 均匀分布初始化linear = nn.Linear(5, 3)nn.init.kaiming_uniform_(linear.weight, nonlinearity='relu')print(linear.weight.data)# 7. xavier 初始化
def test07():# xavier 正态分布初始化linear = nn.Linear(5, 3)nn.init.xavier_normal_(linear.weight)print(linear.weight.data)# xavier 均匀分布初始化linear = nn.Linear(5, 3)nn.init.xavier_uniform_(linear.weight)print(linear.weight.data)

（三）如何选择参数初始化

二、神经网络搭建及训练

（一）构建分析

在pytorch中定义深度神经网络其实就是层堆叠的过程，继承自nn.Module，实现两个方法：

• __init__方法中定义网络中的层结构，主要是全连接层，并进行初始化
• forward方法，在调用神经网络模型对象的时候，底层会自动调用该函数。该函数中为初始化定义的layer传入数据，进行前向传播等。

接下来我们来构建如下图所示的神经网络模型：

编码设计如下：

• 第1个隐藏层：权重初始化采用标准化的xavier初始化， 激活函数使用sigmoid；
• 第2个隐藏层：权重初始化采用标准化的He初始化，激活函数采用relu；
• out输出层采用softmax做数据归一化。

（二）代码实现

1.构造神经网络模型代码

import torch
from torch.nn import Module,Linear
class Net(Module):def __init__(self,*args, **kwargs):super(Net, self).__init__()self.fc1 = Linear(3, 5)self.fc2 = Linear(5, 2)self.out=Linear(2,2)torch.nn.init.xavier_uniform_(self.fc1.weight)torch.nn.init.kaiming_normal_(self.fc2.weight)torch.nn.init.zeros_(self.fc1.bias)torch.nn.init.zeros_(self.fc2.bias)def forward(self, x):x = torch.sigmoid(self.fc1(x))x = torch.relu(self.fc2(x))x = torch.softmax(self.out(x),dim=0)  #dim=0，按列求和；dim=1，按行求和return x

2.训练神经网络模型代码

model=Net()
torch.manual_seed(1)
data=torch.randn(4,3)
data1=torch.randint(0,10,(4,3)).float()
# data2=torch.randint(0,10,(4,3))  #不是浮点型，报错：神经网络的权重和计算默认使用浮点型（如 torch.float32）
print(data)
print(data1)
print(model(data))
print(model(data1))
# print(model(data2))  #报错，因为输入数据类型不一致
#summary：查看模型参数

今日分享到此结束。