神经网络参数初始化
神经网络的参数主要是权重（weights）：W， 和偏置项（bias）：b
1) 0初始化
不管是哪个神经元，它的前向传播和反向传播的算法都是一样的，如果初始值也一样的话，不管训练多久，它们最终都一样，都无法打破对称（fail to break the symmetry）,那每一层就相当于只有一个神经元，最终L层神经网络就相当于一个线性的网络，如Logistic regression
因此，我们决不能把所有参数初始化为0，同样也不能初始化为任何相同的值，因为我们必须“打破对称性”！
2）随机初始化
b不用随机初始化，因为w随机之后，已经打破对称，b就一个常数，无所谓了
random.rand()是在0~1之间随机，random.randn()是标准正态分布中随机，有正有负
np.zeros(())这里是两个括号，random.randn()是一个括号
（1）放大版随机初始化（w*10）
效果不好，因为sigmoid函数中间的斜率大，两边的斜率小还趋于零。所以当我们把随机的值乘以10了之后，我们的初值会往两边跑，那么我们的梯度下降就会显著变慢，可能迭代半天，才下降一点点
（2）缩小版随机初始化（w/10）
我们把w都除以10，实际上就接近0了，深度学习中我们认为参数越大，模型越复杂；参数越小，模型越简单。所以除以10之后，参数太小了，模型就too simple了，效果当然不好。
3) 何氏初试法（He Initialization）
在我们随机初始化了之后，乘以
，这样就避免了参数的初始值过大或者过小
W = np.random.randn(num_of_dim[l],num_of_dim[l-1])*np.sqrt(2/num_of_dim[l-1]) # W的维度是（当前层单元数，上一层单元数）
推荐针对使用ReLU激活函数的神经网络使用的
4) Xavier Initialization
推荐给sigmoid的Xavier Initialization
