https://blog.csdn.net/m0_37407756/article/details/72553284
caffe中weight_filler
文件 filler.hpp提供了7種權值初始化的方法，分別爲：常量初始化（constant）、高斯分佈初始化（gaussian）、positive_unitball初始化、均勻分佈初始化（uniform）、xavier初始化、msra初始化、雙線性初始化（bilinear）。
Filter類在Caffe中用來初始化權值大小，有如下表的類型：
類型 派生類 說明
constant ConstantFiller 使用一個常數（默認爲0）初始化權值
gaussian GaussianFiller 使用高斯分佈初始化權值
positive_unitball PositiveUnitballFiller
uniform UniformFiller 使用均爲分佈初始化權值
xavier XavierFiller 使用xavier算法初始化權值
msra MSRAFiller
bilinear BilinearFiller
constant初始化方法：
它就是把權值或着偏置初始化爲一個常數，具體是什麼常數，自己可以定義啦。它的值等於.prototxt文件中的 value 的值，默認爲0
下面是是與之相關的.proto文件裏的定義，在定義網絡時，可能分用到這些參數。
optional string type = 1 [default = 'constant'];
optional float value = http://www.cnblogs.com/yinheyi/p/2 [default = 0]; // the value in constant filler
uniform初始化方法
它的作用就是把權值與偏置進行 均勻分佈的初始化。用min 與 max 來控制它們的的上下限，默認爲（0，1）.
下面是是與之相關的.proto文件裏的定義，在定義網絡時，可能分用到這些參數。
45 optional string type = 1 [default = 'constant'];
47 optional float min = 3 [default = 0]; // the min value in uniform filler
48 optional float max = 4 [default = 1]; // the max value in uniform filler
Gaussian 初始化
給定高斯函數的均值與標準差,生成高斯分佈就可以了。
不過要說明一點的就是， gaussina初始化可以進行 sparse，意思就是可以把一些權值設爲0. 控制它的用參數 sparse. sparse表示相對於 num_output來說非0的個數，在代碼實現中，會把 sparse/num_output 作爲 bernoulli分佈的概率， 生成的bernoulli分佈的數字（爲0或1）與原來的權值相乘，就可以實現一部分權值爲0了。
下面是是與之相關的.proto文件裏的定義，在定義網絡時，可能分用到這些參數。
45 optional string type = 1 [default = 'constant'];
49 optional float mean = 5 [default = 0]; // the mean value in Gaussian filler
50 optional float std = 6 [default = 1]; // the std value in Gaussian filler
51 // The expected number of non-zero output weights for a given input in
52 // Gaussian filler -- the default -1 means don't perform sparsification.
53 optional int32 sparse = 7 [default = -1];
positive_unitball 初始化
通俗一點，它幹了點什麼呢？即讓每一個單元的輸入的權值的和爲 1. 例如吧，一個神經元有100個輸入，這樣的話，讓這100個輸入的權值的和爲1. 源碼中怎麼實現的呢？ 首先給這100個權值賦值爲在（0，1）之間的均勻分佈，然後，每一個權值再除以它們的和就可以啦。
感覺這麼做，可以有助於防止權值初始化過大，使激活函數（sigmoid函數）進入飽和區。所以呢，它應該比適合simgmoid形的激活函數。
它不需要參數去 控制。
XavierFiller初始化：
對於這個初始化的方法，是有理論的。它來自這篇論文《Understanding the difficulty of training deep feedforward neural networks》。在推導過程中，我們認爲處於 tanh激活函數的線性區，所以呢，對於ReLU激活函數來說，XavierFiller初始化也是很適合啦。
如果不想看論文的話，可以看看 https://zhuanlan.zhihu.com/p/22028079，我覺得寫的很棒，另外，http://blog.csdn.net/shuzfan/article/details/51338178可以作爲補充。
它的思想就是讓一個神經元的輸入權重的（當反向傳播時，就變爲輸出了）的方差等於：1 / 輸入的個數；這樣做的目的就是可以讓信息可以在網絡中均勻的分佈一下。
對於權值的分佈：是一個讓均值爲0，方差爲1 / 輸入的個數 的 均勻分佈。
如果我們更注重前向傳播的話，我們可以選擇 fan_in，即正向傳播的輸入個數；如果更注重後向傳播的話，我們選擇 fan_out, 因爲，等着反向傳播的時候，fan_out就是神經元的輸入個數；如果兩者都考慮的話，那就選 average = (fan_in + fan_out) /2
下面是是與之相關的.proto文件裏的定義，在定義網絡時，可能分用到這些參數。
45 optional string type = 1 [default = 'constant'];
54 // Normalize the filler variance by fan_in, fan_out, or their average.
55 //www.90168.org Applies to 'xavier' and 'msra' fillers.
56 enum VarianceNorm {
57 FAN_IN = 0;
58 FAN_OUT = 1;
59 AVERAGE = 2;
60 }
61 optional VarianceNorm variance_norm = 8 [default = FAN_IN];
MSRAFiller初始化方式
它與上面基本類似，它是基於《Delving Deep into Rectifiers:Surpassing Human-Level Performance on ImageNet Classification》來推導的，並且呢，它是基於激活函數爲 ReLU函數哦，
對於權值的分佈，是基於均值爲0，方差爲 2 /輸入的個數 的高斯分佈，這也是和上面的Xavier Filler不同的地方；它特別適合激活函數爲 ReLU函數的啦。
下面是是與之相關的.proto文件裏的定義，在定義網絡時，可能分用到這些參數。
45 optional string type = 1 [default = 'constant'];
54 // Normalize the filler variance by fan_in, fan_out, or their average.
55 // Applies to 'xavier' and 'msra' fillers.
56 enum VarianceNorm {
57 FAN_IN = 0;
58 FAN_OUT = 1;
59 AVERAGE = 2;
60 }
61 optional VarianceNorm variance_norm = 8 [default = FAN_IN];
BilinearFiller初始化
對於它，要還沒有怎麼用到過，它常用在反捲積神經網絡裏的權值初始化；
直接上源碼，大家看看吧；
213 /*!
214 @brief Fills a Blob with coefficients for bilinear interpolation.
215
216 A common use case is with the DeconvolutionLayer acting as upsampling.
217 You can upsample a feature map with shape of (B, C, H, W) by any integer factor
218 using the following proto.
219 \code
220 layer {
221 name: "upsample", type: "Deconvolution"
222 bottom: "{{bottom_name}}" top: "{{top_name}}"
223 convolution_param {
224 kernel_size: {{2 * factor - factor % 2}} stride: {{factor}}
225 num_output: {{C}} group: {{C}}
226 pad: {{ceil((factor - 1)www.90168.org / 2.)}}
227 weight_filler: { type: "bilinear" } bias_term: false
228 }
229 param { lr_mult: 0 decay_mult: 0 }
230 }
231 \endcode
232 Please use this by replacing `{{}}` with your values. By specifying
233 `num_output: {{C}} group: {{C}}`, it behaves as
234 channel-wise convolution. The filter shape of this deconvolution layer will be
235 (C, 1, K, K) where K is `kernel_size`, and this filler will set a (K, K)
236 interpolation kernel for every channel of the filter identically. The resulting
237 shape of the top feature map will be (B, C, factor * H, factor * W).
238 Note that the learning rate and the
239 weight decay are set to 0 in order to keep coefficient values of bilinear
240 interpolation unchanged during training. If you apply this to an image, this
241 operation is equivalent to the following call in Python with Scikit.Image.
242 \code{.py}
243 out = skimage.transform.rescale(img, factor, mode='constant', cval=0)
244 \endcode
245 */
246 template <typename Dtype>
247 class BilinearFiller : public Filler<Dtype> {
248 public:
249 explicit BilinearFiller(const FillerParameter& param)
250 : Filler<Dtype>(param) {}
251 virtual void Fill(Blob<Dtype>* blob) {
252 CHECK_EQ(blob->num_axes(), 4) << "Blob must be 4 dim.";
253 CHECK_EQ(blob->width(), blob->height()) << "Filter must be square";
254 Dtype* data = http://www.cnblogs.com/yinheyi/p/blob->mutable_cpu_data();
255 int f = ceil(blob->width() / 2.);
256 float c = (2 * f - 1 - f % 2) / (2. * f);
257 for (int i = 0; i < blob->count(); ++i) {
258 float x = i % blob->width();
259 float y = (i / blob->width()) % blob->height();
260 data[i] = (1 - fabs(x / f - c)) * (1 - fabs(y / f - c));
261 }
262 CHECK_EQ(this->filler_param_.sparse(), -1)
263 <<"Sparsity not supported by this Filler.";
264 }
265 };
BilinearFiller初始化
部分轉載：http://www.cnblogs.com/tianshifu/p/6165809.html
---------------------
作者：向陽+
來源：CSDN
原文：https://blog.csdn.net/m0_37407756/article/details/72553284
版權聲明：本文爲博主原創文章，轉載請附上博文鏈接！