常见的初始化策略（戈洛特，何凯明）

初始化神经网络的权重似乎是个小细节，但这是显著影响训练过程的重要一步。如章前所述，为权重选择合适的起始点有助于避免梯度消失或梯度爆炸等问题，这些问题是指信号在网络层中传播时变得过弱或过强。不佳的初始化可能导致收敛缓慢，甚至完全阻止网络学习。

可以把训练想象成让一个球沿着复杂崎岖的表面（损失曲面）滚向最低点。最初放置球的位置会影响它找到底部的难易程度和速度。如果你把它放在平坦高原上或陡峭悬崖边，它可能会被卡住或剧烈冲过头。智能初始化将球放在一个更可能平稳滚下坡的区域。

早期方法通常使用简单的随机初始化，从标准正态分布（均值0，方差1）或小均匀分布中抽取权重。然而，这并未考虑神经元的输入或输出数量。在深度网络中，这种简单方法可能导致层输出的方差随层数呈指数级增长或缩小，正好导致我们想要避免的梯度爆炸或梯度消失问题。

为了避免神经网络训练中出现的梯度消失或梯度爆炸等问题，并保持激活和梯度的合理方差，开发了特定的初始化策略。两种最受欢迎且有效的方法是戈洛特（也称Glorot）初始化和何凯明初始化。

戈洛特 / Glorot 初始化

该策略由Xavier Glorot和Yoshua Bengio于2010年提出，旨在保持激活和梯度的方差在各层间大致恒定。其核心思想是根据层的输入（$n_{in}$）和输出（$n_{out}$）单元数量来调整初始权重。

这种方法对于那些关于零对称且在零附近导数接近1的激活函数（如双曲正切（tanh）或logistic sigmoid函数）特别有效。

主要观点是将某一层权重$W$的方差设置为：

$$Var(W) = \frac{2}{n_{in} + n_{out}}$$

为了实现这一点，你通常从根据该方差缩放的正态分布或均匀分布中采样权重。

• 正态分布： 从 $\mathcal{N}(0, \sigma^2)$ 中采样权重，其中标准差 $\sigma$ 为：

  $$\sigma = \sqrt{\frac{2}{n_{in} + n_{out}}}$$

• 均匀分布： 从 $\mathcal{U}[-limit, limit]$ 中采样权重，其中限度为：

  $$limit = \sqrt{\frac{6}{n_{in} + n_{out}}}$$

  （因子 $\sqrt{6}$ 来自均匀分布方差与其限度之间的关系：$Var(\mathcal{U}[-a, a]) = a^2/3$）。

戈洛特初始化有助于确保信号在使用tanh或sigmoid等激活函数时不会过快消失或爆炸，从而促进更稳定的训练。

何凯明初始化

尽管戈洛特初始化对对称激活函数效果良好，但修正线性单元（ReLU）激活函数的出现带来了挑战。ReLU将所有负输入设为零（$f(x) = max(0, x)$），这意味着它不对称于零，并且在反向传播过程中，对于负输入的神经元，它实际上“杀死”了一半的梯度。这种非线性改变了方差动态。

何凯明等人于2015年观察到这个问题，并提出了一种专门针对ReLU及其变体（如Leaky ReLU，PReLU）的修改。由于ReLU丢弃负值，大致将输入贡献的方差减半，何凯明初始化通过将方差加倍来补偿，相较于戈洛特公式之一。

何凯明初始化推荐的方差为：

$$Var(W) = \frac{2}{n_{in}}$$

类似于戈洛特，你可以使用正态分布或均匀分布来实现这一点：

• 正态分布： 从 $\mathcal{N}(0, \sigma^2)$ 中采样权重，其中标准差 $\sigma$ 为：

  $$\sigma = \sqrt{\frac{2}{n_{in}}}$$

  注意：一些实现可能使用 $\sigma = \frac{1}{\sqrt{n_{in}}}$，但论文的推导指向 $\sqrt{2/n_{in}}$ 以确保前向传播方差的稳定性。框架默认通常使用 $\sqrt{2/n_{in}}$ 版本。

• 均匀分布： 从 $\mathcal{U}[-limit, limit]$ 中采样权重，其中限度为：

  $$limit = \sqrt{\frac{6}{n_{in}}}$$

何凯明初始化有助于在使用基于ReLU的激活函数时保持健康的信号方差，这对于训练当今常见的非常深度网络很重要。

激活方差可视化

让我们想象使用ReLU激活函数将数据通过几层。我们可以看到激活分布如何根据初始化策略而变化。理想情况下，我们希望方差保持相对稳定，而不是坍塌到零或爆炸。

使用ReLU激活函数经过多层后的激活分布的简化表示。零初始化导致激活为零。朴素随机正态初始化常常导致方差显著缩小。戈洛特初始化改善了这一点，但对ReLU并非最优。何凯明初始化旨在更好地保持ReLU下的方差，防止激活过快消失。

PyTorch中的实际使用

大多数深度学习框架都为这些初始化策略提供了内置函数。在PyTorch中，你可以在定义网络时或之后通过遍历层来使用它们。

以下是在自定义nn.Module中将何凯明初始化（特指kaiming_normal_）应用于线性层和卷积层的常见方法：

import torch
import torch.nn as nn
import math

class SimpleNet(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(SimpleNet, self).__init__()
        self.layer1 = nn.Linear(input_size, hidden_size)
        self.relu1 = nn.ReLU()
        self.layer2 = nn.Linear(hidden_size, hidden_size)
        self.relu2 = nn.ReLU()
        self.layer3 = nn.Linear(hidden_size, output_size)

        # 应用何凯明初始化
        self._initialize_weights()

    def forward(self, x):
        x = self.relu1(self.layer1(x))
        x = self.relu2(self.layer2(x))
        x = self.layer3(x)
        return x

    def _initialize_weights(self):
        for m in self.modules():
            if isinstance(m, nn.Linear):
                # 线性层的何凯明初始化
                nn.init.kaiming_normal_(m.weight, mode='fan_in', nonlinearity='relu')
                # 可选：将偏置初始化为零
                if m.bias is not None:
                    nn.init.constant_(m.bias, 0)
            elif isinstance(m, nn.Conv2d):
                 # 卷积层的何凯明初始化
                nn.init.kaiming_normal_(m.weight, mode='fan_in', nonlinearity='relu')
                if m.bias is not None:
                    nn.init.constant_(m.bias, 0)
            # 如果需要，可添加其他层类型的elif

# 使用示例：
input_dim = 784 # 示例：展平的MNIST图像
hidden_dim = 128
output_dim = 10 # 示例：MNIST的10个类别
model = SimpleNet(input_dim, hidden_dim, output_dim)

print("使用何凯明正态初始化后的layer1权重：")
print(model.layer1.weight.data)

在这个例子中：

• 我们定义了一个简单的多层感知机。
• _initialize_weights 方法遍历所有模块（self.modules()）。
• isinstance 检查模块是否是线性层或二维卷积层。
• nn.init.kaiming_normal_ 应用使用正态分布的何凯明初始化。mode='fan_in' 在计算中使用 $n_{in}$，这是前馈网络的标准用法。nonlinearity='relu' 被指定是因为何凯明初始化是为ReLU设计的。
• nn.init.constant_(m.bias, 0) 将偏置设为零，这是一种常见做法。

如果你使用tanh激活函数，你会将 nn.init.kaiming_normal_ 替换为 nn.init.xavier_normal_ 或 nn.init.xavier_uniform_，并可能将 nonlinearity='relu' 改为 nonlinearity='tanh'。

选择正确的初始化策略，通常ReLU网络用何凯明，tanh/sigmoid网络用戈洛特，可以为优化算法提供一个更好的起点，带来更快的收敛和更稳定的训练。这是深度学习实践者工具箱中一个简单而有效的技术。