Tensorflow七种初始化函数

一、tf.constant_initializer(value)

作用：将变量初始化为给定的常量，初始化一切所提供的值。

二、tf.zeros_initializer()

作用：将变量设置为全0；也可以简写为tf.Zeros()

三、tf.ones_initializer()

作用：将变量设置为全1；可简写为tf.Ones()

四、tf.random_normal_initializer(mean,stddev)

作用：将变量初始化为满足正太分布的随机值，主要参数（正太分布的均值和标准差），用所给的均值和标准差初始化均匀分布。

五、tf.truncated_normal_initializer(mean,stddev,seed,dtype)

作用：将变量初始化为满足正太分布的随机值，但如果随机出来的值偏离平均值超过2个标准差，那么这个数将会被重新随机。

mean:用于指定均值；
stddev用于指定标准差；
seed:用于指定随机数种子；
dtype：用于指定随机数的数据类型。通常只需要设定一个标准差stddev这一个参数就可以。

@tf_export("initializers.truncated_normal", "truncated_normal_initializer")
class TruncatedNormal(Initializer):
  """Initializer that generates a truncated normal distribution.
 
  These values are similar to values from a `random_normal_initializer`
  except that values more than two standard deviations from the mean
  are discarded and re-drawn. This is the recommended initializer for
  neural network weights and filters.
 
  Args:
    mean: a python scalar or a scalar tensor. Mean of the random values
      to generate. 一个python标量或一个标量张量。要生成的随机值的均值
    stddev: a python scalar or a scalar tensor. Standard deviation of the
      random values to generate.一个python标量或一个标量张量。要生成的随机值的标准偏差。
    seed: A Python integer. Used to create random seeds. See
      `tf.set_random_seed`
      for behavior.一个Python整数。用于创建随机种子。查看 tf.set_random_seed 行为。
    dtype: The data type. Only floating point types are supported.数据类型。只支持浮点类型。
  """
 
  def __init__(self, mean=0.0, stddev=1.0, seed=None, dtype=dtypes.float32):
    self.mean = mean
    self.stddev = stddev
    self.seed = seed
    self.dtype = _assert_float_dtype(dtypes.as_dtype(dtype))
 
  def __call__(self, shape, dtype=None, partition_info=None):
    if dtype is None:
      dtype = self.dtype
    return random_ops.truncated_normal(
        shape, self.mean, self.stddev, dtype, seed=self.seed)
 
  def get_config(self):
    return {
        "mean": self.mean,
        "stddev": self.stddev,
        "seed": self.seed,
        "dtype": self.dtype.name
    }

举例：bert中初始化token_type_embeddings、embedding_table时，假设token_type_embeddings服从正态分布

def embedding_postprocessor(input_tensor,
                            use_token_type=False,
                            token_type_ids=None,
                            token_type_vocab_size=16,
                            token_type_embedding_name="token_type_embeddings",
                            use_position_embeddings=True,
                            position_embedding_name="position_embeddings",
                            initializer_range=0.02,
                            max_position_embeddings=512,
                            dropout_prob=0.1):
  ...
 
  if use_token_type:
    if token_type_ids is None:
      raise ValueError("`token_type_ids` must be specified if"
                       "`use_token_type` is True.")
    token_type_table = tf.get_variable(
        name=token_type_embedding_name,
        shape=[token_type_vocab_size, width],
        initializer=create_initializer(initializer_range))
   ...
 
def create_initializer(initializer_range=0.02):
  """Creates a `truncated_normal_initializer` with the given range."""
  return tf.truncated_normal_initializer(stddev=initializer_range)

六、tf.random_uniform_initializer(a,b,seed,dtype)

作用：从a到b均匀初始化，将变量初始化为满足均匀分布的随机值，主要参数（最大值，最小值）。

七、tf.uniform_unit_scaling_initializer(factor,seed,dtypr)

作用：将变量初始化为满足均匀分布但不影响输出数量级的随机值

参考文献：

【1】Tensorflow初始化函数 - 简书