这篇教程Keras设置初始化权重的方法写得很实用，希望能帮到您。
初始化方法定义了对Keras层设置初始化权重的方法
不同的层可能使用不同的关键字来传递初始化方法，一般来说指定初始化方法的关键字是kernel_initializer 和 bias_initializer，例如：
model.add(Dense(64,
kernel_initializer='random_uniform',
bias_initializer='zeros'))
一个初始化器可以由字符串指定（必须是下面的预定义初始化器之一），或一个callable的函数，例如
from keras import initializers
model.add(Dense(64, kernel_initializer=initializers.random_normal(stddev=0.01)))
# also works; will use the default parameters.
model.add(Dense(64, kernel_initializer='random_normal'))
Initializer
Initializer是所有初始化方法的父类，不能直接使用，如果想要定义自己的初始化方法，请继承此类。
预定义初始化方法
Zeros
keras.initializers.Zeros()
全零初始化
Ones
keras.initializers.Ones()
全1初始化
Constant
keras.initializers.Constant(value=0)
初始化为固定值value
RandomNormal
keras.initializers.RandomNormal(mean=0.0, stddev=0.05, seed=None))
正态分布初始化
mean：均值
stddev：标准差
seed：随机数种子
RandomUniform
keras.initializers.RandomUniform(minval=-0.05, maxval=0.05, seed=None)
均匀分布初始化
minval：均匀分布下边界
maxval：均匀分布上边界
* seed：随机数种子
TruncatedNormal
keras.initializers.TruncatedNormal(mean=0.0, stddev=0.05, seed=None)
截尾高斯分布初始化，该初始化方法与RandomNormal类似，但位于均值两个标准差以外的数据将会被丢弃并重新生成，形成截尾分布。该分布是神经网络权重和滤波器的推荐初始化方法。
mean：均值
stddev：标准差
seed：随机数种子
VarianceScaling
keras.initializers.VarianceScaling(scale=1.0, mode='fan_in', distribution='normal', seed=None)
该初始化方法能够自适应目标张量的shape。
当distribution="normal"时，样本从0均值，标准差为sqrt(scale / n)的截尾正态分布中产生。其中：
* 当```mode = "fan_in"```时，权重张量的输入单元数。
* 当```mode = "fan_out"```时，权重张量的输出单元数
* 当```mode = "fan_avg"```时，权重张量的输入输出单元数的均值
当distribution="uniform"时，权重从[-limit, limit]范围内均匀采样，其中limit = limit = sqrt(3 * scale / n)
scale: 放缩因子，正浮点数
mode: 字符串，“fan_in”，“fan_out”或“fan_avg”fan_in", "fan_out", "fan_avg".
distribution: 字符串，“normal”或“uniform”.
seed: 随机数种子
Orthogonal
keras.initializers.Orthogonal(gain=1.0, seed=None)
用随机正交矩阵初始化
gain: 正交矩阵的乘性系数
seed：随机数种子
参考文献：Saxe et al.
Identiy
keras.initializers.Identity(gain=1.0)
使用单位矩阵初始化，仅适用于2D方阵
gain：单位矩阵的乘性系数
lecun_uniform
lecun_uniform(seed=None)
LeCun均匀分布初始化方法，参数由[-limit, limit]的区间中均匀采样获得，其中limit=sqrt(3 / fan_in), fin_in是权重向量的输入单元数（扇入）
seed：随机数种子
参考文献：LeCun 98, Efficient Backprop
lecun_normal
lecun_normal(seed=None)
LeCun正态分布初始化方法，参数由0均值，标准差为stddev = sqrt(1 / fan_in)的正态分布产生，其中fan_in和fan_out是权重张量的扇入扇出（即输入和输出单元数目）
seed：随机数种子
参考文献：
Self-Normalizing Neural Networks
Efficient Backprop
glorot_normal
glorot_normal(seed=None)
Glorot正态分布初始化方法，也称作Xavier正态分布初始化，参数由0均值，标准差为sqrt(2 / (fan_in + fan_out))的正态分布产生，其中fan_in和fan_out是权重张量的扇入扇出（即输入和输出单元数目）
seed：随机数种子
参考文献：Glorot & Bengio, AISTATS 2010
glorot_uniform
glorot_uniform(seed=None)
Glorot均匀分布初始化方法，又成Xavier均匀初始化，参数从[-limit, limit]的均匀分布产生，其中limit为sqrt(6 / (fan_in + fan_out))。fan_in为权值张量的输入单元数，fan_out是权重张量的输出单元数。
seed：随机数种子
参考文献：Glorot & Bengio, AISTATS 2010
he_normal
he_normal(seed=None)
He正态分布初始化方法，参数由0均值，标准差为sqrt(2 / fan_in) 的正态分布产生，其中fan_in权重张量的扇入
seed：随机数种子
参考文献：He et al
he_uniform
he_normal(seed=None)
LeCun均匀分布初始化方法，参数由[-limit, limit]的区间中均匀采样获得，其中limit=sqrt(6 / fan_in), fin_in是权重向量的输入单元数（扇入）
seed：随机数种子
参考文献：He et al
自定义初始化器
如果需要传递自定义的初始化器，则该初始化器必须是callable的，并且接收shape（将被初始化的张量shape）和dtype（数据类型）两个参数，并返回符合shape和dtype的张量。
from keras import backend as K
def my_init(shape, dtype=None):
return K.random_normal(shape, dtype=dtype)
model.add(Dense(64, init=my_init))
人脸识别技术技术资料参考
深度学习新手开始项目资料推荐 |
