Deep Learning Note: 1-8 随机初始化
前面在进行逻辑回归的梯度下降时，将各个参数都初始化为 0，但在神经网络中不能这样做。
例如对于如图 1 所示的网络：
图 1
如果将 $W$ 初始化为 0，即：
\begin{equation}
W^{[1]} = \begin{bmatrix}0 & 0 \\ 0 & 0 \end{bmatrix}
W^{[2]} = \begin{bmatrix}0 & 0 \end{bmatrix}
\end{equation}
此时对于 $a_1^{[1]}$ 和 $a_2^{[1]}$ 两个节点，有 $a_1^{[1]} = a_2^{[1]}$。又由于这两个节点对输出节点的影响相同，进而导致 $dz_1^{[1]} = dz_2^{[1]}$、$dW_1^{[1]} = dW_2^{[1]}$，此时称 $a_1^{[1]}$ 和 $a_2^{[1]}$ 两个节点是对称的（Symmetric），它们计算的实际上是同一个函数。即 $W^{[1]}$ 和 $dW^{[1]}$ 会具有如下的形式：
\begin{equation}
W^{[1]} = \begin{bmatrix}W_1^{1} \\ W_2^{1} \end{bmatrix}
= \begin{bmatrix}s & t \\ s & t \end{bmatrix} \tag{1}
\end{equation}
\begin{equation}
dW^{[1]} = \begin{bmatrix}dW_1^{1} \\ dW_2^{1} \end{bmatrix}
= \begin{bmatrix}u & v \\ u & v \end{bmatrix} \tag{2}
\end{equation}
即便经过了若干次迭代后，$W^{[1]}$ 经过若干次 $W^{[1]} = W^{[1]} – \alpha dW^{[1]}$ 的更新，这两个节点计算的也仍然是同一个函数，$W^{[1]}$ 和 $dW^{[1]}$ 仍会具有如上面式 (1)、(2) 的形式。可以通过数学归纳法证明，如果将所有的 $W$ 都初始化为 0，由于所有节点初始都是对称的，计算的都是同一个函数，对输出节点的具有相同的影响，则经过 1 次迭代后，两个节点仍是对称的。以此类推，经过若干次次迭代后，两个节点仍是对称的。如果两个节点是对称的，则使用一个节点就可以描述这个模型，没有必要使用两个节点。
推广开来，对于更复杂的网络，例如有更多的特征和层数，如果将所有的权重 $W$ 都初始化为 0，则同一层下所有的隐藏单元都是对称的，计算的是同一个函数。而我们实际希望的是，不同的隐藏单元能够计算不同的函数。
解决以上对称问题的方法是，随机地初始化权重 $W$，如在 Python + NumPy 中可以使用：
\begin{equation}
W^{[1]} = np.random.randn((2, 2)) * 0.01
\end{equation}
其中 np.random.randn((2, 2)) 用于高斯随机初始化一个 $2 \times 2$ 的矩阵。注意这里还乘以一个很小的数字，如上面的 0.01，得到较小的随机初始值，以保证初始学习速率。对于图 1 中网络的第一层，有：
\begin{equation}
z^{[1]} = W^{[1]}x + b^{[1]} \tag{3}
\end{equation}
\begin{equation}
a^{[1]} = g^{[1]}(z^{[1]}) \tag{4}
\end{equation}
如果 $W^{[1]}$ 较大，则由式 (3) 得到的 $z^{[1]}$ 也较大，对于如 Sigmoid 或 Tanh 等斜率随输入值增加而快速衰减的激活函数，根据前文，如果输入的值很大，则其对应的斜率会很小，梯度下降的速度会很慢，学习也会很慢。使用一个较小的缩放系数令 $W$ 具有较小的初始值，可以保证初始学习速度不会过慢。前面使用的 0.01 适用于较小的网络，对于很深的网络，可能需要根据实际情况选择不同的系数。
对于偏置参数 $b$，不存在对称问题，不需要破缺对称（Symmetric Breaking），可以初始化为 0，如：
\begin{equation}
b^{[1]} = \begin{bmatrix}0 \\ 0 \end{bmatrix}
\end{equation}