Xavier 初始化和 Kaiming 初始化有什么区别？大模型怎么初始化？

一句话速记：目标都是让每层输出的方差不随层数放大或缩小。Xavier 按 fan_in + fan_out 设方差，适合 tanh；Kaiming 考虑了 ReLU 砍掉一半，方差翻倍。大模型一般用小标准差的正态分布，残差分支的输出层再按层数缩小。

初始化

同章节的其他八股

• ReLU、GELU、SwiGLU 有什么区别？大模型为什么偏爱门控激活？
• BatchNorm 和 LayerNorm 的区别？为什么 NLP 用 LayerNorm？
• Adam 和 AdamW 的区别？
• Warmup 的作用是什么？
• 梯度消失和梯度爆炸怎么解决？
• L1 和 L2 正则化有什么区别？
• 交叉熵损失怎么推导？二分类为什么不用 MSE？
• 训练中 loss 出现 NaN 怎么排查？
• 梯度累积的原理是什么？
• 余弦相似度、点积、欧氏距离有什么关系？
• KMeans 的流程、缺点和改进？
• 梯度裁剪是怎么做的？为什么大模型训练都要开？