Xavier 初始化方法：理解 TensorFlow 中的 xavier_init 函数

这段代码是一个用于初始化权重的函数。函数的作用是根据输入和输出维度大小，使用 Xavier 初始化方法来生成一个服从正态分布的随机权重矩阵。

具体解释如下：

• 'def xavier_init(self, size):'：定义了一个名为'xavier_init'的函数，接受一个'size'参数作为输入。
• 'in_dim = size[0]'：将输入维度赋值给变量'in_dim'。
• 'out_dim = size[1]'：将输出维度赋值给变量'out_dim'。
• 'xavier_stddev = np.sqrt(2 / (in_dim + out_dim))'：根据 Xavier 初始化方法计算权重矩阵的标准差。Xavier 初始化方法是一种常用的权重初始化方法，通过考虑输入和输出维度的平均值来确定标准差，旨在保持前向传播和反向传播的梯度稳定性。
• 'return tf.Variable(tf.truncated_normal([in_dim, out_dim], stddev=xavier_stddev), dtype=tf.float32)'：返回一个服从截断正态分布的随机权重矩阵。'tf.truncated_normal' 函数根据指定的均值（默认为 0）和标准差来生成截断正态分布的随机数，生成的随机数会被截断到指定的标准差范围内。这里的均值是 0，标准差是'xavier_stddev'。最后，通过'tf.Variable' 将生成的随机权重矩阵转化为 TensorFlow 的变量，并指定数据类型为'tf.float32'。