本文共 513 字，大约阅读时间需要 1 分钟。

1：在传统的AutoEncoder中我们知道，输入层到隐层有一个权重W1和bias b1，隐藏到输出层也有一个权重W2和截距项b2，此时我们也知道W1和W2的转置的型是同样大小的。但是在传统的AutoEncoder中我们对于W1和W2是单独训练的。

2：在tied weight中也就是W1和W2是tied的，此时让W2的转置等于W1，也就是两个W其实是一样的，那么我们怎么做？因为如果初始化的时候让W2的转置等于W1，那么经过一次梯度下降由于W2上的grad和W1上的不一样，所以梯度下降一次之后，他们就不一样了怎么办呢？

3：网上找了很多，其实真正的做法并没有找到。后来翻看了别人的代码，发现了做法是这样子的：

4：初始化让W2的转置等于W1，第一次求梯度的时候，对于W2的梯度记到，暂时保存，比如用W2grad，接着计算W1的梯度，用W1grad来表示，那么返回的时候我们这样来返回,让W1grad+W2grad'，作为W1的梯度，那么出去的时候就是和W1同型的了，在函数内部进行cost计算的时候还是根据W1，自动扩展一个W2即可。。

5：我觉得在第四部中也可以直接返回W1grad即可。。此时还是有b1和b2的哈。。

转载地址：http://sdini.baihongyu.com/