神经网络权值为什么不能初始化为零（1）
写在前面：该篇文章的内容以及相关代码（代码在最后），都是我亲自手敲出来的，相关结论分析也是花了挺长时间做出来的，如需转载该文章，请务必先联系我，在后台留言即可。
在深度学习中，神经网络的权重初始化方式非常重要，其对模型的收敛速度和性能有着较大的影响。一个好的权值初始值有以下优点：
- 梯度下降的收敛速度较快
- 深度神经中的网络模型不易陷入梯度消失或梯度爆炸问题
该系列共两篇文章，我们主要讨论以下两个话题：
- 为什么在线性回归和逻辑回归中可以采用0初始化，而在神经网络中不能采用（实际上不光是0初始化，将权值初始化为任意相同值，都很有可能使模型失效）；
- 常用的三种权值初始化方法：随机初始化、Xavier initialization、He initialization
在这一篇文章中，我们主要谈论第一个话题
0 初始化
在线性回归和逻辑回归中，我们通常把权值 w 和偏差项 b 初始化为0，并且我们的模型也能取得较好的效果。在线性回归和逻辑回归中，我们采用下面的代码将权值初始化为0（tensorflow框架下）：
|
1 2 |
|
但是，当在神经网络中的权值全部都使用 0 初始化时，模型无法正常工作了。
原因是：在神经网络中因为存在隐含层。我们假设模型的输入为[x1,x2,x3]，隐含层数为1，隐含层单元数为2，输出为 y ，模型如下图所示：
则通过正向传播计算之后，可得：
z1 = w10 * x0 + w11 * x1 + w12 * x2 +w13 * x3
z2 = w20 * x0 + w21 * x1 + w22 * x2 +w23 * x3
在所有的权值 w 和偏差值 b （可以看做是w10）初始化为 0 的情况下，即计算之后的 z1 和 z2 都等于0
那么由于 a1 = g(z1) 、a2 = g(z2)，经过**函数之后得到的 a1 和 a2 也肯定是相同的数了，即 a1 = a2 = g(z1)
则输出层：y = g(w20 * a0 + w21 * a1 + w22 *a2 ) 也是固定值了。
重点：在反向传播过程中，我们使用梯度下降的方式来降低损失函数，但在更新权值的过程中，代价函数对不同权值参数的偏导数相同 ，即Δw相同，因此在反向传播更新参数时：
w21 = 0 + Δw
w22 = 0 + Δw
实际上使得更新之后的不同节点的参数相同，同理可以得到其他更新之后的参数也都是相同的，不管进行多少轮的正向传播和反向传播，得到的参数都一样！因此，神经网络就失去了其特征学习的能力。
在神经网络中使用0 初始化的效果
我们来看一下使用 0 初始化会出现什么样的情况：
我们使用MNIST手写数字数据集进行测试：手写数据集是图像处理和机器学习研究最多的数据集之一，在深度学习的发展中起到了重要的作用。
我们看一下使用权值 0 初始化的神经网络训练并测试该数据集的结果：
- 在100次的迭代中，每一次迭代，损失值都没有变化
- 模型检测的准确度为11.35%，几乎完全没有检测出来
总结一下：在神经网络中，如果将权值初始化为 0 ，或者其他统一的常量，会导致后面的**单元具有相同的值，所有的单元相同意味着它们都在计算同一特征，网络变得跟只有一个隐含层节点一样，这使得神经网络失去了学习不同特征的能力！
如果这篇文章帮助到了你，或者你有任何问题，欢迎扫码关注微信公众号：一刻AI 在后台留言即可，让我们一起学习一起进步！
代码如下：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 |
|