kernel_initializer 是层构建时的只读配置参数，用于在 build() 阶段初始化权重张量；必须在实例化层时传入（如 dense(64, kernel_initializer='he_normal')），直接赋值无效。
kernel_initializer 是什么，为什么不能直接赋值
它不是普通变量，而是层构建时的配置参数，作用是在 build() 阶段调用初始化器生成张量。你写 layer.kernel_initializer = xxx 不生效——因为此时权重还没创建，且该属性是只读描述符。
- 常见错误现象：
AttributeError: can't set attribute或设了但训练时权重仍是默认初始化 - 必须在层实例化时传入，比如
Dense(64, kernel_initializer='glorot_uniform') - 传字符串（如
'he_normal'）会触发内部查找；传类实例（如tf.keras.initializers.HeNormal()）更可控
常用 kernel_initializer 值及适用场景
选错初始化器会导致梯度消失/爆炸，尤其在深层网络或特定激活函数下。
-
'glorot_uniform'（Xavier）：适合tanh或sigmoid激活，输入输出方差大致守恒 -
'he_normal'：配合ReLU及其变体（leaky_relu），缓解死亡 ReLU 问题 -
'lecun_normal'：专为selu设计，保障自归一化特性 - 自定义初始化需继承
tf.keras.initializers.Initializer并实现__call__方法
在子类化 Layer 中正确设置 kernel_initializer
子类化时容易漏掉对 super().__init__() 的调用，或误在 __init__ 里创建权重。
- 必须把
kernel_initializer保存为实例属性：self.kernel_initializer = kernel_initializer - 真正在
build(self, input_shape)中调用：self.kernel = self.add_weight(..., initializer=self.kernel_initializer) - 别在
__init__里调用self.add_weight—— 此时input_shape未知，会报错或生成错误形状 - 示例片段：
def build(self, input_shape):<br> self.kernel = self.add_weight(<br> shape=(input_shape[-1], self.units),<br> initializer=self.kernel_initializer,<br> name="kernel"<br> )
兼容性与调试技巧
不同 TensorFlow 版本对初始化器名称和行为有细微差异，尤其跨 2.8 → 2.16 时。
-
'random_normal'在 TF 2.15+ 默认标准差为 0.05，旧版是 0.01 —— 如果复现结果不一致，先查文档确认默认值 - 调试时可打印权重初始值：
print(layer.kernel.numpy().mean(), layer.kernel.numpy().std()) - 避免混用
tf.compat.v1.initializers和 Keras 初始化器，后者才是正统路径 - 如果模型加载后发现权重没按预期初始化，大概率是保存/加载时没保留初始化器配置，而只存了数值
kernel_initializer，如果后续接了没配对的 BatchNormalization 或用了不匹配的 learning_rate，效果也会打折。
