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……机载芯片。
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于NumPy写的网络初始化和数据预处理脚本。
漆昊看了一会儿，指着屏幕某处说：“陈工，你看这行输入，原始点云的数据范围在 0.5米到 50米之间，你们没有做 Zscore或者MinMax归一化，直接以原始 float值喂了进去。”
“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。”
漆昊轻叹了口气，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，激活函数关于原点对称……”
“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别？”
“那NaN又是怎么爆出来的？”
“机载芯片算力差，你们直接喂了原始点云，点云原始数值大，输入方差可能高达上千，再加上 Xavie使用场景不合适，问题就暴露了出来。”
陈工疑惑地问道：“这是你刚才想出来的？”
“是的，这也多亏陈工刚才的讲解，才让我找到了灵感。”
陈工顿时一脸懵圈。
我给的灵感？
我自个儿想了几天，脑袋都快想秃了也没整明白，我什么时候给你灵感了？
陈工仔细想了下，漆昊这一手基于方差传播的数学推导看上去没什么问题，但作为典型的工科博
本章未完，请点击下一页继续阅读！