当我们在训练一个神经网络的时候，参数的随机初始化是非常重要的，对于逻辑回归来说，把参数初始化为0是很ok的。但是对于一个神经网络，如果我们将权重或者是所有参数初始化为0，梯度下降算法将不会起到任何作用。
1.为什么逻辑回归参数初始化为0是ok的？
下图所示，是logistic回归的图解：
假设我们用梯度下降法来更新我们的模型参数。
logistic回归模型的前向传播：
logistic回归模型的反向传播：
参数更新公式：
2.为什么神经网络的权重或所有参数初始化为0，梯度下降不再work?
为了说明这个问题，我们以一个简单的神经网络为例，该神经网络只有1层隐藏层，包含2个神经元，其具体的神经网络的结构图如下图所示：
神经网络的前向传播
其中，
神经网络的反向传播所能用到的导数公式：
根据上述的详细公式，我们分析一下3种情况：
l 模型所有权重w初始化为0，所有偏置b初始化为0
l 模型所有权重w初始化为0，所有偏置b随机初始化
l 模型所有的权重w随机初始化，所有偏置b初始化为0
2.1 模型所有权重w初始化为0，所有偏置b初始化为0
2.2 模型所有权重w初始化为0，所有偏置b随机初始化
2.3 模型所有的权重w随机初始化，所有偏置b初始化为0
结论：在训练神经网络的时候，权重初始化要谨慎，不能初始化为0