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……机载晶片。

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於numpy写的网络初始化和数据预处理脚本。

漆昊看了一会儿，指著屏幕某处说：“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值餵了进去。”

“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。”

漆昊轻嘆了口气，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，激活函数关於原点对称……”

“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別？”

“那nan又是怎么爆出来的？”

“机载晶片算力差，你们直接餵了原始点云，点云原始数值大，输入方差可能高达上千，再加上 xavie使用场景不合適，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，脑袋都快想禿了也没整明白，我什么时候给你灵感了？

陈工仔细想了下，漆昊这一手基於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士，他们显然不可能只凭嘴上说说就彻底信服，毕竟，在工程落地领域，再完美的数学公式也必须经歷实际代码的检验。

陈工没轻易说好或者不好，只是斟酌道：“漆昊同学，你这个relu初始化方差修正的思路现在听起来没问题，但是，神经网络在多层级叠代中的实际表现很复杂，我们得把你这一套写进初始化脚本里，重新跑一遍几万组的点云训练数据，看看收敛曲线才能下结论。”

“没错，实践是检验真理的唯一標准。”漆昊爽快回答。

“大概需要多久能出测试结果？”

“咱们组里这几台工作站虽然配了显卡，但由於数据集庞大，加上要跑满完整的epoch观察稳定性，怎么著也得等个七八天吧。”陈工估算了一下时间。