يُقترح تهيئة Layer-sequential unit-variance (LSUV) كطريقة بسيطة لتهيئة الأوزان في تعلم الشبكات العصبية العميقة. تتكون هذه الطريقة من خطوتين. أولاً، يتم تهيئة أوزان كل طبقة تشبيكية أو طبقة حاصل نقطة داخلية بمصفوفات متعامدة. ثانيًا، يتم التقدم من الطبقة الأولى إلى الطبقة الأخيرة، مع تطبيع تباين الإخراج لكل طبقة ليكون مساويًا للواحد.تُظهر التجارب التي أجريت باستخدام دوال التنشيط المختلفة (مثل maxout، عائلة ReLU، tanh) أن التهيئة المقترحة تقود إلى تعلم شبكات عميقة جدًا والتي (أ) تنتج شبكات ذات دقة اختبار أفضل أو مساوية للطرق القياسية و(ب) تكون على الأقل بنفس السرعة مثل الخطط المعقدة المقترحة خصيصًا للشبكات العميقة جدًا مثل FitNets (رومريو وآخرون (2015)) وHighway (سريفاستافا وآخرون (2015)).تم تقييم الأداء على شبكات GoogLeNet، CaffeNet، FitNets وResidual nets، وأُحرزت أفضل النتائج المعاصرة أو ما يقترب منها بشكل كبير على مجموعات البيانات MNIST، CIFAR-10/100 وImageNet.