概述
在訓練開始之前如何設定神經網路的起始權重，這很大程度上決定了訊號和梯度是否在深層中保持健康。良好的初始化是快速收斂和永遠不會學習的模型之間的區別。
權重初始化是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。
深入探討
在訓練之前，每個重量都需要一個起始值。將它們全部設為零是致命的：相同的權重產生相同的梯度，因此神經元永遠不會區分——這就是對稱性破缺問題。隨機初始化打破了對稱性，但規模非常重要。太大，激活和梯度爆炸；太小了，它們就會消失。原則方案根據層大小選擇方差，以保持各層訊號方差大致恆定。 Xavier (Glorot) 初始化透過輸入加輸出單元的數量來縮放方差，並且適合 tanh 和 sigmoid 網路。他（Kaiming）的初始化按輸入數量進行縮放，並考慮到 ReLU 丟棄了一半的輸入，使其成為基於 ReLU 的深度網路和 CNN 的標準。良好的初始化可以使早期訓練保持穩定，直到標準化和自適應優化器接管。
技術洞察
目標是保持層與層之間活化和梯度的變異數恆定。 Xavier 將權重變異數設定為 2 / (fan_in + fan_out)，平衡對稱活化的前向和後向傳遞。他初始化使用 2 / fan_in ，因為 ReLU 將其大約一半的輸入清零，因此將變異數加倍可以補償丟失的訊號。偏差通常初始化為零，因為隨機權重已經破壞了對稱性。
掌握權重初始化
在訓練開始之前如何設定神經網路的起始權重，這很大程度上決定了訊號和梯度是否在深層中保持健康。良好的初始化是快速收斂和永遠不會學習的模型之間的區別。權重初始化是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。為了建立深入的理解，請將權重初始化視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，強大的團隊使用權重初始化根據可靠性和成本優化架構、資料和基礎設施選擇。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
多年來，架構決策決定著效能和營運成本。同時，優化一個基準測試可以隱藏更廣泛的系統弱點。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
多年來，架構決策決定著效能和營運成本。
多年來，架構決策決定著效能和營運成本。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
更好的工程選擇可以減少生產中的可靠性事故。
更好的工程選擇可以減少生產中的可靠性事故。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
使用 ReLU 啟動的 CNN 透過 He 初始化進行初始化，因此深度卷積堆疊的訓練不會消失訊號。
具有 tanh 活化的網路使用 Xavier 初始化來保持跨層活化方差穩定。
一位工程師不小心將所有權重初始化為零，會發現網路無法學習，因為每個神經元都保持相同。
框架預設（PyTorch 的 Kaiming、Keras 的 Glorot 統一）在建立圖層時會自動套用原則性初始化。
實施模式
權重初始化實踐
使用 ReLU 啟動的 CNN 透過 He 初始化進行初始化，因此深度卷積堆疊的訓練不會消失訊號。
使用 ReLU 啟動的 CNN 透過 He 初始化進行初始化，因此深度卷積堆疊的訓練不會消失訊號。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
權重初始化實踐
具有 tanh 活化的網路使用 Xavier 初始化來保持跨層活化方差穩定。
具有 tanh 活化的網路使用 Xavier 初始化來保持跨層活化方差穩定。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會獲得更好的結果。
權重初始化實踐
一位工程師不小心將所有權重初始化為零，會發現網路無法學習，因為每個神經元都保持相同。
工程師如果不小心將所有權重初始化為零，就會發現網路無法學習，因為每個神經元都保持相同。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
權重初始化實踐
框架預設（PyTorch 的 Kaiming、Keras 的 Glorot 統一）在建立圖層時會自動套用原則性初始化。
框架預設值（PyTorch 的 Kaiming、Keras 的 Glorot 統一）在建立層時會自動套用有原則的初始化。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
優化一項基準測試可以隱藏更廣泛的系統弱點。
基礎設施和維護成本常常被低估。
隨著系統變得更加複雜，安全性和可觀察性差距可能會擴大。
實施路線圖
在實施之前定義延遲、品質和成本目標。
在實施之前定義延遲、品質和成本目標。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在實際負載和資料條件下進行基準測試。
在實際負載和資料條件下進行基準測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
儀器監控錯誤、漂移和使用者影響。
儀器監控錯誤、漂移和使用者影響。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在擴展之前準備回滾和事件回應路徑。
在擴展之前準備回滾和事件回應路徑。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。