初始化方法
初始化方法定義了對Keras層設置初始化權重的方法
不同的層可能使用不同的關鍵字來傳遞初始化方法，一般來說指定初始化方法的關鍵字是kernel_initializer 和 bias_initializer，例如：
model.add(Dense(64,
kernel_initializer='random_uniform',
bias_initializer='zeros'))
一個初始化器可以由字符串指定（必須是下面的預定義初始化器之一），或一個callable的函數，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類，不能直接使用，如果想要定義自己的初始化方法，請繼承此類。
預定義初始化方法
Zeros
keras.initializers.Zeros()
全零初始化
Ones
keras.initializers.Ones()
全1初始化
Constant
keras.initializers.Constant(value=0)
初始化爲固定值value
RandomNormal
keras.initializers.RandomNormal(mean=0.0, stddev=0.05, seed=None))
正態分佈初始化
- mean：均值
- stddev：標準差
- seed：隨機數種子
RandomUniform
keras.initializers.RandomUniform(minval=-0.05, maxval=0.05, seed=None)
均勻分佈初始化 minval：均勻分佈下邊界 maxval：均勻分佈上邊界 * seed：隨機數種子
TruncatedNormal
keras.initializers.TruncatedNormal(mean=0.0, stddev=0.05, seed=None)
截尾高斯分佈初始化，該初始化方法與RandomNormal類似，但位於均值兩個標準差以外的數據將會被丟棄並重新生成，形成截尾分佈。該分佈是神經網絡權重和濾波器的推薦初始化方法。
- mean：均值
- stddev：標準差
- seed：隨機數種子
VarianceScaling
keras.initializers.VarianceScaling(scale=1.0, mode='fan_in', distribution='normal', seed=None)
該初始化方法能夠自適應目標張量的shape。
當distribution="normal"時，樣本從0均值，標準差爲sqrt(scale / n)的截尾正態分佈中產生。其中：
* 當```mode = "fan_in"```時，權重張量的輸入單元數。
* 當```mode = "fan_out"```時，權重張量的輸出單元數
* 當```mode = "fan_avg"```時，權重張量的輸入輸出單元數的均值
當distribution="uniform"時，權重從[-limit, limit]範圍內均勻採樣，其中limit = limit = sqrt(3 * scale / n)
- scale: 放縮因子，正浮點數
- 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: 隨機數種子
Orthogonal
keras.initializers.Orthogonal(gain=1.0, seed=None)
用隨機正交矩陣初始化
- gain: 正交矩陣的乘性係數
- seed：隨機數種子
參考文獻：Saxe et al.
Identiy
keras.initializers.Identity(gain=1.0)
使用單位矩陣初始化，僅適用於2D方陣
- gain：單位矩陣的乘性係數
lecun_uniform
lecun_uniform(seed=None)
LeCun均勻分佈初始化方法，參數由[-limit, limit]的區間中均勻採樣獲得，其中limit=sqrt(3 / fan_in), fin_in是權重向量的輸入單元數（扇入）
- seed：隨機數種子
參考文獻：LeCun 98, Efficient Backprop
lecun_normal
lecun_normal(seed=None)
LeCun正態分佈初始化方法，參數由0均值，標準差爲stddev = sqrt(1 / fan_in)的正態分佈產生，其中fan_in和fan_out是權重張量的扇入扇出（即輸入和輸出單元數目）
- seed：隨機數種子
參考文獻：
Self-Normalizing Neural Networks Efficient Backprop
glorot_normal
glorot_normal(seed=None)
Glorot正態分佈初始化方法，也稱作Xavier正態分佈初始化，參數由0均值，標準差爲sqrt(2 / (fan_in + fan_out))的正態分佈產生，其中fan_in和fan_out是權重張量的扇入扇出（即輸入和輸出單元數目）
- seed：隨機數種子
參考文獻：Glorot & Bengio, AISTATS 2010
glorot_uniform
glorot_uniform(seed=None)
Glorot均勻分佈初始化方法，又成Xavier均勻初始化，參數從[-limit, limit]的均勻分佈產生，其中limit爲sqrt(6 / (fan_in + fan_out))。fan_in爲權值張量的輸入單元數，fan_out是權重張量的輸出單元數。
- seed：隨機數種子
參考文獻：Glorot & Bengio, AISTATS 2010
he_normal
he_normal(seed=None)
He正態分佈初始化方法，參數由0均值，標準差爲sqrt(2 / fan_in) 的正態分佈產生，其中fan_in權重張量的扇入
- seed：隨機數種子
參考文獻：He et al
he_uniform
he_normal(seed=None)
LeCun均勻分佈初始化方法，參數由[-limit, limit]的區間中均勻採樣獲得，其中limit=sqrt(6 / fan_in), fin_in是權重向量的輸入單元數（扇入）
- seed：隨機數種子
參考文獻：He et al
自定義初始化器
如果需要傳遞自定義的初始化器，則該初始化器必須是callable的，並且接收shape（將被初始化的張量shape）和dtype（數據類型）兩個參數，並返回符合shape和dtype的張量。
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))