tf.variance_scaling_initializer() tensorflow學習：參數初始化

CNN中最重要的就是參數了，包括W,b。 我們訓練CNN的最終目的就是得到最好的參數，使得目標函數取得最小值。參數的初始化也同樣重要，因此微調受到很多人的重視，那么tf提供了哪些初始化參數的方法呢，我們能不能自己進行初始化呢？

所有的初始化方法都定義在tensorflow/python/ops/init_ops.py

1、tf.constant_initializer()

也可以簡寫為tf.Constant()

初始化為常數，這個非常有用，通常偏置項就是用它初始化的。

由它衍生出的兩個初始化方法：

a、 tf.zeros_initializer()， 也可以簡寫為tf.Zeros()

b、tf.ones_initializer(), 也可以簡寫為tf.Ones()

例：在卷積層中，將偏置項b初始化為0，則有多種寫法：

1. conv1 = tf.layers.conv2d(batch_images,
2. filters=64,
3. kernel_size=7,
4. strides=2,
5. activation=tf.nn.relu,
6. kernel_initializer=tf.TruncatedNormal(stddev=0.01)
7. bias_initializer=tf.Constant(0),
8. )

或者：

1. bias_initializer=tf.constant_initializer(0)

或者：

1. bias_initializer=tf.zeros_initializer()

或者：

1. bias_initializer=tf.Zeros()

例：如何將W初始化成拉普拉斯算子？

1. value = [1, 1, 1, 1, -8, 1, 1, 1，1]
2. init = tf.constant_initializer(value)
3. W= tf.get_variable('W', shape=[3, 3], initializer=init)

2、tf.truncated_normal_initializer()

或者簡寫為tf.TruncatedNormal()

生成截斷正態分布的隨機數，這個初始化方法好像在tf中用得比較多。

它有四個參數（mean=0.0, stddev=1.0, seed=None, dtype=dtypes.float32)，分別用於指定均值、標准差、隨機數種子和隨機數的數據類型，一般只需要設置stddev這一個參數就可以了。

例：

1. conv1 = tf.layers.conv2d(batch_images,
2. filters=64,
3. kernel_size=7,
4. strides=2,
5. activation=tf.nn.relu,
6. kernel_initializer=tf.TruncatedNormal(stddev=0.01)
7. bias_initializer=tf.Constant(0),
8. )

或者：

1. conv1 = tf.layers.conv2d(batch_images,
2. filters=64,
3. kernel_size=7,
4. strides=2,
5. activation=tf.nn.relu,
6. kernel_initializer=tf.truncated_normal_initializer(stddev=0.01)
7. bias_initializer=tf.zero_initializer(),
8. )

3、tf.random_normal_initializer()

可簡寫為 tf.RandomNormal()

生成標准正態分布的隨機數，參數和truncated_normal_initializer一樣。

4、random_uniform_initializer = RandomUniform()

可簡寫為tf.RandomUniform()

生成均勻分布的隨機數，參數有四個（minval=0, maxval=None, seed=None, dtype=dtypes.float32)，分別用於指定最小值，最大值，隨機數種子和類型。

5、tf.uniform_unit_scaling_initializer()

可簡寫為tf.UniformUnitScaling()

和均勻分布差不多，只是這個初始化方法不需要指定最小最大值，是通過計算出來的。參數為（factor=1.0, seed=None, dtype=dtypes.float32)

1. max_val = math.sqrt(3 / input_size) * factor

這里的input_size是指輸入數據的維數，假設輸入為x, 運算為x * W，則input_size= W.shape[0]

它的分布區間為[ -max_val, max_val]

6、tf.variance_scaling_initializer()

可簡寫為tf.VarianceScaling()

參數為（scale=1.0,mode="fan_in",distribution="normal",seed=None，dtype=dtypes.float32)

scale: 縮放尺度（正浮點數）

mode:  "fan_in", "fan_out", "fan_avg"中的一個，用於計算標准差stddev的值。

distribution：分布類型，"normal"或“uniform"中的一個。

當 distribution="normal" 的時候，生成truncated normal   distribution（截斷正態分布） 的隨機數，其中stddev = sqrt(scale / n) ，n的計算與mode參數有關。

      如果mode = "fan_in"， n為輸入單元的結點數；         

      如果mode = "fan_out"，n為輸出單元的結點數；

       如果mode = "fan_avg",n為輸入和輸出單元結點數的平均值。

當distribution="uniform”的時候 ，生成均勻分布的隨機數，假設分布區間為[-limit, limit]，則

      limit = sqrt(3 * scale / n)

7、tf.orthogonal_initializer()

簡寫為tf.Orthogonal()

生成正交矩陣的隨機數。

當需要生成的參數是2維時，這個正交矩陣是由均勻分布的隨機數矩陣經過SVD分解而來。

8、tf.glorot_uniform_initializer()

也稱之為Xavier uniform initializer，由一個均勻分布（uniform distribution)來初始化數據。

假設均勻分布的區間是[-limit, limit],則

limit=sqrt(6 / (fan_in + fan_out))

其中的fan_in和fan_out分別表示輸入單元的結點數和輸出單元的結點數。

9、glorot_normal_initializer（）

也稱之為 Xavier normal initializer. 由一個 truncated normal distribution來初始化數據.

stddev = sqrt(2 / (fan_in + fan_out))

其中的fan_in和fan_out分別表示輸入單元的結點數和輸出單