在Python中使用RandomNormal()初始化器进行神经网络权重初始化

在神经网络中，权重初始化是非常重要的一个步骤，它会影响到整个模型的性能和训练速度。在Python中，我们可以使用RandomNormal()初始化器来初始化神经网络的权重。下面是一个使用RandomNormal()初始化器的例子：

import numpy as np
import tensorflow as tf

# 定义一个三层全连接神经网络
class MyModel(tf.keras.Model):
    def __init__(self):
        super(MyModel, self).__init__()
        self.dense1 = tf.keras.layers.Dense(128, kernel_initializer=tf.keras.initializers.RandomNormal(mean=0., stddev=1.))
        self.dense2 = tf.keras.layers.Dense(64, kernel_initializer=tf.keras.initializers.RandomNormal(mean=0., stddev=1.))
        self.dense3 = tf.keras.layers.Dense(10, kernel_initializer=tf.keras.initializers.RandomNormal(mean=0., stddev=1.))

    def call(self, inputs):
        x = self.dense1(inputs)
        x = self.dense2(x)
        x = self.dense3(x)
        return x


# 创建模型实例
model = MyModel()

# 打印模型的权重
for layer in model.layers:
    weights = layer.weights
    print(weights)

# 输出结果：
'''
[<tf.Variable 'dense/kernel:0' shape=(None, 128) dtype=float32, numpy=
array([[-0.03539795, -0.0293565 , -0.00966112, ..., -0.05622194,
        -0.04016234,  0.08091323],
       [ 0.19209145, -0.07935672,  0.27205104, ..., -0.04893533,
         0.12571128,  0.10246801],
       ...
       [0.21675494,  0.05276317, -0.1206967 , ...,  0.08464506,
         0.08670536, -0.11562896]], dtype=float32)>,
<tf.Variable 'dense/bias:0' shape=(128,) dtype=float32, numpy=
array([ 0.12044291, -0.03535558, -0.11098994,  0.05753066,  0.09841349,
       -0.01275061,  0.14282692,  0.07188113,  0.14068238, -0.11422062,
       ...
       0.01699392, -0.10634243, -0.01071658], dtype=float32)>]
...
'''

在上述代码中，我们定义了一个三层的全连接神经网络，每一层的权重都使用了RandomNormal初始化器进行初始化。RandomNormal初始化器根据指定的均值（mean）和标准差（stddev）从正态分布中随机生成权重值。

通过上述代码，我们可以看到，模型的权重被成功地初始化了。每一层的权重都是一个tf.Variable对象，可以通过layer.weights来获取。

需要注意的是，RandomNormal初始化器只是其中之一，Keras还提供了其他多种初始化器，供我们根据实际需求选择使用。在实际应用中，我们可以根据具体情况选择适合的初始化器来初始化模型的权重。