1. 參數初始化的目的是什么？ 為了讓神經網絡在訓練過程中學習到有用的信息，這意味着參數梯度不應該為0。而我們知道在全連接的神經網絡中，參數梯度和反向傳播得到的狀態梯度以及入激活值有關。那么參數初始化應該滿足以下兩個條件： 初始化必要條件一：各層激活值不會出現飽和現象 ...

torch.nn.Module()類有一些重要屬性，我們可用其下面幾個屬性來實現對神經網絡層結構的提取： 為方面說明，我們首先搭建一個簡單的神經網絡模型，后面所有的內容都是基於這個模型展開的。 運行 ...

1 參數初始化 神經網絡的參數學習是一個非凸優化問題，在使用梯度下降法進行網絡參數優化時，參數初始值的選取十分關鍵，關系到網絡的優化效率（梯度消失和梯度爆炸問題）和泛化能力（局部最優解問題）。參數初始化的方式通常有以下三種： 預訓練初始化：不同的參數初始值會收斂到不同的局部最優解 ...

我們知道，訓練神經網絡的時候需先給定一個初試值，然后才能通過反向傳播等方法進行參數更新。所以參數的初始化也是門學問。 全0初始化：不能這么做！！！ 為什么呢？因為這樣做會導致所有參數都無法被更新。 網絡上有好多解釋，感覺都不夠簡潔，其實這個原理很簡單。 我們想象一個三層的神經網絡，節點分別為 ...

權重初始化 模型權重的初始化對於網絡的訓練很重要, 不好的初始化參數會導致梯度傳播問題, 降低訓練速度; 而好的初始化參數, 能夠加速收斂, 並且更可能找到較優解. 如果權重一開始很小，信號到達最后也會很小；如果權重一開始很大，信號到達最后也會很大。不合適的權重初始化會使得隱藏層的輸入 ...

self.state_dict()展示效果: ...

根據deeplearn.ai吳恩達深度學習課程3.11總結 因為如果W初始化為0 則對於任何Xi，每個隱藏層對應的每個神經元的輸出都是相同的，這樣即使梯度下降訓練，無論訓練多少次，這些神經元都是對稱的，無論隱藏層內有多少個結點，都相當於在訓練同一個函數。 ...

在定義網絡時，pythorch會自己初始化參數，但也可以自己初始化，詳見官方實現 ...