《动手学深度学习pytorch》部分学习笔记，仅用作自己复习。
数值稳定性和模型初始化
深度模型有关数值稳定性的典型问题是衰减（vanishing）和爆炸（explosion）
衰减和爆炸
随机初始化模型参数
如果将每个隐藏单元的参数都初始化为相等的值，那么在正向传播时每个隐藏单元将根据相同的输⼊计算出相同的值，并传递至输出层。在反向传播中，每个隐藏单元的参数梯度值相等。因此，这些参数在使用基于梯度的优化算法迭代后值依然相等。之后的迭代也是如此。在这种情况下，⽆论隐藏单元有多少，隐藏层本质上只有1个隐藏单元在发挥作用。因此，正如在前面的实验中所做的那样，我们通常将神经网络的模型参数，特别是权重参数，进行随机初始化。
PyTorch的默认随机初始化
随 机 初 始 化 模 型 参 数 的 ⽅ 法 有 很 多 。例如使⽤ torch.nn.init.normal_() 使模型 net 的权重参数采用正态分布的随机初始化方式。不过，PyTorch中 nn.Module 的模块参数都采取了较为合理理的初始化策略略（不同类型的layer具体采样的哪⼀种初始化方法的可参考源代码），因此一般不不⽤用我们考虑。
Xavier随机初始化
还有⼀种⽐较常⽤的随机初始化方法叫作Xavier随机初始化。 假设某全连接层的输入个数为 ，输出个数为 ，Xavier随机初始化将使该层中权重参数的每个元素都随机采样于均匀分布
主要考虑到，模型参数初始化后，每层输出的方差不该受该层输入个数影响，且每层梯度的⽅差也不该受该层输出个数影响。
小结
- 深度模型有关数值稳定性的典型问题是衰减和爆炸。当神经网络的层数较多时，模型的数值稳定性容易变差。
- 我们通常需要随机初始化神经网络的模型参数，如权重参数。