逻辑回归权值初始化为0是ok的,参数可以得到更新,因为参数的梯度会因为x1,x2的不同而不同。暗示神经网络不行,因为参数的梯度依赖于正向传播上一层激活函数的输出,它的输入为0,输出一致。
1 权重初始化为0,偏置初始化为0
权重不能全初始化为0,因为这样的话,每一层各个激活函数后的输出一致(一般非0,比如sigmoid),每一层隐藏层各自的神经元的权重更新始终一致,相当于每一层只有一个神经元,意味着它们都在计算一个特征,使得神经网络失去了学习不同特征的能力。
并且第一个batch只有最后一层参数更新,第二个batch才有倒数第二层参数更新(倒数第二层的参数依赖于loss的导数、激活函数的导数、正向传播上一层的输入和以及反向传播的上一层的w更新前的值),直到若干batch后,所有层的权重都开始更新,这个时候权重值才会出现差异,但是同一层中,每个神经元的参数列表都和其他神经元一模一样,相当于每一层只有一个神经元。
此时的全连接层相当于卷积核大小等于图片的cnn,cnn的目的本来是提取局部特征,等于图片大小的卷积核提取不到任何局部特征,没有意义。
2 权重初始