目录
一、介绍
二、基础知识
【pytorch相关|深度学习参数初始化(二)Kaiming初始化 含代码】三、Kaiming初始化的假设条件
四、Kaiming初始化的简单的公式推导
1.前向传播
2.反向传播
五、Pytorch实现
深度学习参数初始化系列:
(一)Xavier初始化 含代码
(二)Kaiming初始化 含代码
一、介绍 Kaiming初始化论文地址:https://arxiv.org/abs/1502.01852
Xavier初始化在ReLU层表现不好,主要原因是relu层会将负数映射到0,影响整体方差。而且Xavier初始化方法适用的激活函数有限:要求关于0对称;线性。而ReLU激活函数并不满足这些条件,实验也可以验证Xavier初始化确实不适用于ReLU激活函数。所以何恺明在对此做了改进,提出Kaiming初始化,一开始主要应用于计算机视觉、卷积网络。
二、基础知识 1.假设随机变量X和随机变量Y相互独立,则有
文章图片
(1)
2.通过期望求方差的公式, 方差等于平方的期望减去期望的平方.
文章图片
(2)
3.独立变量乘积公式
文章图片
(3)
4.连续性随机变量X的概率密度函数为f(x),若积分绝对收敛,则期望公式如下:
文章图片
(4)
三、Kaiming初始化的假设条件与Xavier初始化相似,Kaiming初始化同样适用Glorot条件,即我们的初始化策略应该使得各层的激活值和状态梯度的方差在传播过程中的方差保持一致;
Kaiming初始化的参数仍然满足均值是0,且更新的过程中权重的均值一直是0。
与Xavier初始化不同的,Kaiming初始化不在要求每层输出均值都是0(因为Relu这样的激活函数做不到啊);当然也不再要求f′(0)=1。
Kaiming初始化中,前向传播和反向传播时各自使用自己的初始化策略,但是保证前向传播时每层的方差和反向传播时梯度的方差都是1。
四、Kaiming初始化的简单的公式推导 我们使用卷积来进行推导,并且激活函数使用ReLU。
1.前向传播 对于一层卷积,有:
文章图片
(5)
其中
文章图片
是激活函数前的输出,
文章图片
是权重的个数,
文章图片
是权重,
文章图片
是输入。
根据(3)式,可将(4)式推导为:
文章图片
(6)
根据假设
文章图片
,但是
文章图片
是上一层通过ReLU得到的,所以
文章图片
,则:
文章图片
文章图片
(7)
通过(2)式可得
文章图片
,则(7)式推导为:
文章图片
(8)
根据期望公式(4), 通过第
文章图片
层的输出来求此期望, 我们有
文章图片
, 其中
文章图片
表示ReLU函数.
文章图片
(9)
其中
文章图片
表示概率密度函数,因为
文章图片
的时候
文章图片
,所以可以去掉小于0的区间, 并且大于0的时候
文章图片
,可推出:
文章图片
(10)
因为
文章图片
是假设在0周围对称分布且均值为0, 所以
文章图片
也是在0附近分布是对称的, 并且均值为0(此处假设偏置为0),则
文章图片
(11)
所以
文章图片
的期望是:
文章图片
文章图片
(12)
根据公式(2),因为
文章图片
的期望等于0,于是有:
文章图片
则式(12)推导为:
文章图片
(13)
将(13)式带入(8)式:
文章图片
(14)
从第一层一直往前进行前向传播, 可以得到某层的方差为 :
文章图片
这里的
文章图片
就是输入的样本, 我们会将其归一化处理, 所以
文章图片
, 现在让每层输出方差等于1, 即:
文章图片
文章图片
于是正向传播时,Kaiming初始化的实现就是下面的均匀分布:
文章图片
高斯分布:
文章图片
2.反向传播 因为反向传播的时候
文章图片
(15)
其中
文章图片
表示损失函数对其求导.
文章图片
为参数
根据(3)式:
文章图片
文章图片
文章图片
其中
文章图片
表示反向传播时输出通道数,最后得出
文章图片
文章图片
于是反向传播时,Kaiming初始化的实现就是下面的均匀分布:
文章图片
高斯分布:
文章图片
五、Pytorch实现
import torchclass DemoNet(torch.nn.Module):
def __init__(self):
super(DemoNet, self).__init__()
self.conv1 = torch.nn.Conv2d(1, 1, 3)
print('random init:', self.conv1.weight)
'''
kaiming 初始化方法中服从均匀分布 U~(-bound, bound), bound = sqrt(6/(1+a^2)*fan_in)
a 为激活函数的负半轴的斜率,relu 是 0
mode- 可选为 fan_in 或 fan_out, fan_in 使正向传播时,方差一致;
fan_out 使反向传播时,方差一致
nonlinearity- 可选 relu 和 leaky_relu ,默认值为 。 leaky_relu
'''
torch.nn.init.kaiming_uniform_(self.conv1.weight, a=0, mode='fan_out')
print('xavier_uniform_:', self.conv1.weight)'''
kaiming 初始化方法中服从正态分布,此为 0 均值的正态分布,N~ (0,std),其中 std = sqrt(2/(1+a^2)*fan_in)
a 为激活函数的负半轴的斜率,relu 是 0
mode- 可选为 fan_in 或 fan_out, fan_in 使正向传播时,方差一致;
fan_out 使反向传播时,方差一致
nonlinearity- 可选 relu 和 leaky_relu ,默认值为 。 leaky_relu
'''
torch.nn.init.kaiming_normal_(self.conv1.weight, a=0, mode='fan_out')
print('kaiming_normal_:', self.conv1.weight)if __name__ == '__main__':
demoNet = DemoNet()
推荐阅读
- python|Python爬虫以及数据可视化分析(最新B站番剧排行榜数据)
- 机器学习|波士顿房价数据集 Boston house prices dataset
- Python爬虫以及数据可视化分析!这才是零基础入门案例!
- 分享一个2022年火遍全网的Python框架
- 自动化测试|离职前一定要做好这7件事情,少一件都很麻烦。
- 深度学习笔记|纽约大学深度学习PyTorch课程笔记(自用)Week1&2
- 宋宋讲编程|Python自动化办公小程序(实现报表自动化和自动发送到目的邮箱)
- slam|相机中的参数sensor size 和focal length 计算相机参数内参f
- 前沿技术|18张图,直观理解为什么神经网络这么有效()