一、稳定训练
目标：使梯度值在更合理的范围内
常见方法如下：
· 将乘法变为加法
· ResNet：当层数较多时，会加入一些加法进去
· LSTM：如果时序序列较长时，把一些对时序的乘法做加法
· 归一化
· 梯度归一化：把梯度转化为一个均值0、方差1这样的数，从而避免梯度的数值过大或过小
· 梯度裁剪：如果梯度大于一个阈值，就强行拉回来减到一个范围里
· 合理的权重初始化、选取合理的激活函数
二、合理初始化操作
目标：让每层的方差都为一个常数
· 让每层的输出和梯度都看作"随机变量"
· 让输出和梯度的均值和方差都保持一致，那么就可以在每层的传递之间保持，不会出现问题
权重初始化
目标：将参数和权重初始化在一个合理的区间值里，防止参数变化过大或过小导致出现问题
· 当训练开始时，数值更易出现不稳定的问题
· 随机初始的参数可能离最优解很远，更新幅度较陡，损失函数会很大，从而导致梯度较大
· 最优解附近一般较缓，更新幅度会较小
· 假设不定义初始化方法，框架将使用默认初始化，即采用正态分布初始化权重值
· 这种初始化方法对小型神经网络较为有效，但当网络较深时，这种初始化方法往往表现较差
· Xavier初始化：
某些没有非线性 的全连接层输出（例如，隐藏变量）
的尺度分布：
· 对于某一层 
输入 
以及其相关权重 
，输出由下式给出：
权重 都是从同一分布中独立抽取的
· 假设该分布具有均值 0 和方差 
（不一定是标准正态分布，只需均值方差存在）
· 假设层 的输入也具有均值 0 和方差 
，且独立于 并彼此独立
可以按下列方式计算 的均值与方差：
为了保障 的方差不变化，可设置 
。
现在考虑反向传播过程，我们面临着类似的问题，尽管梯度是从更靠近输出的层传播的。
使用与前向传播相同的推断，我们可以看到：
· 除非 
，否则梯度的方差可能会增大。其中 
是该层输出的数量。
· 然而，我们不可能同时满足 和 这两个条件。
但我们只需满足：
即可达到要求，这便是Xavier初始化的基础。
通常，Xavier初始化从均值为 0，方差 
的高斯分布中采样权重。
Xavier初始化表明：
· 对于每一层，输出的方差不受输入数量的影响；
· 任何梯度的方差不受输出数量的影响。