发现He（凯明)初始化方法。

我们机器视觉中bpnet匹配，是x[n]-hi/ho-yi/yo这样结构，即n-80-1三层bpnet最简单网络。

程序中有几句这样的代码：

 for (int j = 0; j < 80; j++)//80
       {
           for (int i = 0; i < lunkc; i++)//轮廓点数
           {
               hI固定roi[j] += xxxroi[i] * w1固定roi[i, j];
           }
           fanhui.Add(hI固定roi[j]);

}

最后完成3000次训练后，我们做如下操作：

 double forjz = 0;
               for (int i = 0; i < fanhui.Count; i++)
               {                   
                   forjz += fanhui[i];
               }
               double 定型 = forjz / fanhui.Count;

我发现，定型这个值，在【-1，1】之间时，训练很成功，匹配不易出错！当出现-4，5，3，7之类的值，就要差一些。

但是为什么？我不知道！

定型 这个值往上溯源，xxxroi【】是图像灰度，w1固定roi[i, j]是权重参数！

因为，我的结果很稳定，很准确了，我就在没有深究！我一直用这种初始化：

  for (int i = 0; i < size; i++)  //for (int i = 0; i < lunkc; i++)
       
           for (int j = 0; j < 80; j++)
           {

               //  w1[i, j] = 0.1;

               w1固定roi[i, j] = ranroi.Next(-100, 100) / 100f;

}

   w1固定roi[i, j] 在【-1，1】范围内！

其实我们前头除以临时最大，实际是一种归一化方法，只不过很直觉！

这里实际也是归一化！

我曾经也算在相关系数和相关系数匹配上下了功夫，但我没有往上面去想！（归一化的鼻祖）

这里说明，我这种人，属于应用型的，搞出来，就不总结了，反而，失败了，回去总结！

这是很值得反思的！

如果你观察到了，并取得好的结果，一定要总结深挖！不要只做应用型人才，能解决问题！不能解决成功！

当我研究了relu，并发现了he（kaiming）初始化，我才恍然大悟，他在相关系数归一化上下功夫，使用了高斯正态分布n~（0，1）

这两个东西我何尝不熟悉呢？我的形状匹配就是高斯正态分布的功劳！

或许是我沉迷机器视觉，不够专注人工智能！

鱼与熊掌不能兼得！鱼已经收入囊中，开始熊掌之旅！

he（kaiming）参数在bpnet初始化效果观察：

  w1固定roi[i, j] = randomNormalDistribution() /(float) Math.Sqrt(size / 2f);

使用上面这句话：观察到：

 double 定型 = forjz / fanhui.Count;

这个结果始终是零（0）。

附注：1，

 public float randomNormalDistribution()
   {
       double u = 0.0, v = 0.0, w = 0.0, c = 0.0;
       do
       {
           //获得两个（-1,1）的独立随机变量
           u = ranroi.NextDouble() * 2 - 1.0;
           v = ranroi.NextDouble() * 2 - 1.0;
           w = u * u + v * v;
       } while (w == 0.0 || w >= 1.0);
       //这里就是 Box-Muller转换
       c = Math.Sqrt((-2 * Math.Log(w)) / w);
     
       return (float)(u * c);
   }

2，he的功绩在于下面红色的字：

w1固定roi[i, j] = randomNormalDistribution() /(float) Math.Sqrt(size / 2f);

有机会我们可以推导一下！