第77章 我给的灵感？（1 / 2）
有些故事，只适合在深夜被轻轻翻开。
自动翻页
读到章尾自动翻至下一章
开启自动翻页
读到章尾自动进入下一章，适合长夜连续阅读。
漆昊想起了之前他指出sigmoid函数在反向传播时，每一层梯度都会打折。
当时他说过梯度没有消失，只是在衰减，这是激活函数选取带来的结构性缺陷，所以必须更换激活函数。
现在，陈工等人听从了自己的建议，可为什么换了之后，梯度不仅没救回来，反而疯狂抽风，不是直接卡死，就是爆出nan导致程序崩溃？
漆昊想要从面前的数据中找出一点线索。
轻量化网络、波动性的点云原始输入、以及……机载晶片。
等一下，这地方不对啊。
“陈工，我能再看看相关的代码吗？”
“稍等。”陈工开始操作，在屏幕上调出了训练端基於numpy写的网络初始化和数据预处理脚本。
漆昊看了一会儿，指著屏幕某处说：“陈工，你看这行输入，原始点云的数据范围在 米到 50米之间，你们没有做 zscore或者minmax归一化，直接以原始 float值餵了进去。”
“然后，你们的参数初始化，用的是刚提出来的 xavier初始化对吧？”
“我看你给的文献中，有这么一篇。”
陈工有些得意：“那当然，这是学术界最前沿的初始化方法，论文里证明了它能保证输入和输出的方差一致。”
漆昊轻嘆了口气，完了，他的想法是对的。
“陈工，xavier初始化是有严格前提的，它是专门给sigmoid或者tanh这种对称激活函数设计的，推导的假设是，激活函数关於原点对称……”
“每一层网络的输出方差，都会直接缩水一半，如果是10层网络，传到最后一层，方差也没剩下多少，这跟梯度消失有什么区別？”