对神经正切核的理解和推导（1）-CSDN博客

这篇文章包括很多概念的理解

声明：

本篇文章来自于Neural Tangent Kernel （NTK）基础推导 - Gearlesskai - 博客园

旨在对上述推导过程进行再推导与理解 手写推导部分与其他颜色字体为本作者所写

初始化：Kaiming Initialization / He Initialization

正如其名字，这个初始化方法是大佬何恺明ICCV 2015的工作, Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification 提出的

初始化的意义在于调整各层神经元的方差，确保不会出现梯度爆炸和梯度消失的情况。从自然科学的角度来看，可以说这样初始化调整后的网络具有某种意义上的空间平移不变性，我们希望这种“空间对称性”可以为神经网络带来一个类似“动量守恒”一样的守恒量

在何恺明之前的Xavier初始化对激活函数对称性要求较高，没有很好地考虑到激活函数为非奇函数时 E(σ(x))≠0 的情况（考虑对了量级，但是没有根据激活函数的性质调整参数），所以并不很适用于RELU这种激活函数，而何恺明考虑到了这种情况，Kaiming Initialization可以应用于非奇函数。

Assumptions

很好理解的一点是，既然我们的网络参数都已经奔着标准正态分布初始化了，那么聪明的读者当然会想到，输入的 x 肯定已经被初始化为一个符合标准正态分布的 d 维矢量（这很好做到，并且大伙都已经这么干了）

以下是本人二次推导

权重初始化代码和效果

import numpy as np


def initialize_weights(input_dim, output_dim, activation='relu'):
    # 根据激活函数选择 C_sigma
    if activation == 'relu':
        C_sigma = 2.0
    elif activation == 'tanh':
        C_sigma = 1.0
    else:
        C_sigma = 1.0  # 默认值

    # 计算方差
    variance = C_sigma / input_dim

    # 生成权重矩阵
    weights = np.random.normal(loc=0.0, scale=np.sqrt(variance), size=(input_dim, output_dim))

    return weights


# 示例
input_dim = 784  # 输入层维度
output_dim = 256  # 输出层维度
weights = initialize_weights(input_dim, output_dim, activation='relu')

print("Weights shape:", weights.shape)
print("Weights variance:", np.var(weights))

结果
Weights shape: (784, 256)
Weights variance: 0.002565874746590602