一般是训练的时候进行初始化，如果有预训练模型，那么就从预训练模型中读取，如果没有就通过初始化方法进行初始化（初始化方法有很多）。

初始化之后会在每轮训练的时候进行更新，最终得到的模型也就是卷积层和其他一些层的参数。

好的，谢谢！

原来如此，受教了，感谢！

一般是根据特定的概率分布初始化，也可以说是随机的。

一般是训练的时候进行初始化，如果有预训练模型，那么就从预训练模型中读取，如果没有就通过随机化方法进行初始化（比如正态normal初始化）。

模型值初始化对收敛效果是有影响的。如果利用已训练好的模型进行迁移学习可以使用paddle-hub。

初始化为什么会对最终的收敛结果有影响呀？想不太明白

有些初始化是完全随机

有些是已经学到数据的部分特征了  

在其他样布上经过训练  学到部分数据特征的  当然比完全随机的好收敛

原来如此（恍然大悟）

这个问题有论文探讨过，用normal分布是有原因的。

其实自然界中大部分的分布都是正态的

预训练模型吧，，这个基本看情况而定

好的分布能加快模型收敛

好的分布还能帮模型跳出某些局部最优

直觉分布是多种因果关系的叠加，本质应该二项分布产生的原因一样。

的确

normal分布是有原因的

怎么感觉卷积层上的数就是要训练的参数中的一部分，一开始的话我猜测是随机的或者服从正态分布？？