首先感谢这位博主整理的Andrew Ng的deeplearning.ai的相关作业：https://blog.csdn.net/u013733326/article/details/79827273
开一个我的github传送门，可以看到代码。
https://github.com/VVV-LHY/deeplearning.ai/tree/master/improveNeuralNetwork/InitializeRegularize
以下是今天要分类的目标点集：
在初始化w权重矩阵为0的情况下可以看到，迭代14000次的时候，成本没有变化，也就是说模型没有学习新的参数
在随机初始化权重w，并且将随机值*10倍放缩进行初始化的时候：可以看到cost的变化十分陡峭，且在14000次迭代后成本仅仅在0.38左右波动，说明大的初始化权重会减慢优化速度
在初始化权重w为Inhibitory gradient anomaly抑梯度异常时：可以看到同样的迭代次数下，其cost变化趋于平滑且收敛速度更快
来看一下三种初始化w的方式在迭代次数一致的情况下(时间花费相同)带来的预测效果:
zeros:
randomX10:
IGA:
总结一下
对于参数初始化而言:
1.不同的初始化方法在同样的训练时间内会影响模型的训练效果
2.随机初始化可以打破神经网络的对称性，使不同隐藏层的单元学习不同的参数，全为0的初始化会使每个单元保持一致，丧失多隐含层的效果
3.初始化时参数不宜过大，最好保持在1附近
4.IGA即抑梯度异常搭配relu激活函数起到了不错的效果