训练神经网络时，随机初始化权重非常重要。对于Logistic回归，可以将权重初始化为零，但如果将神经网络的各参数全部初始化为0，再使用梯度下降法，这样将会完全无效。
如图所示，这是一个简单的两层神经网络(输入层是第0层)，如果将所有的w矩阵和b向量都初始为全0
则矩阵
是
是
是
将偏置项b初始化为0实际上是可行的，但把W初始化成全零就成问题了，它的问题在于给神经网络输入任何的样本，隐藏层的两个单元都是相同的值，由于每个激活单元的计算公式如下，（[i]表示第i层，w表示权重矩阵，x表示训练样本，b表示偏置项向量，a表示激活后的值）
由于w[1]是全0矩阵(维度是2x2)，所以
然后在相同的激活函数作用后，得
所以这两个隐藏单元其实在进行相同的计算，它们在做一样的事情。
又因为w[2]也是全0的矩阵(维度是1x2)，所以
现在的Loss function(损失函数)为
那么对a求导
为了便于说明问题，这里假设输出层的激活函数是sigmoid函数，即
g(z)代表激活函数作用在z之后的值，所以g(z)=a，所以
那么由链式求导法则知
所以
由于
,所以
，根据前面的推导，可知dw[2]的两个分量也是相同的，那么梯度下降更新一次
，所以
又因为
，那么da的两个分量也是相同的，
所以dz[1]的两个分量是相同的
再向前计算一次导数
u,v只是变量记号，结果表明每个单元的节点的权重是一样的，即权重矩阵的每一行是相同的。
一直这样迭代下去，神经网络的每一次正向和反向传播，隐藏层的每个激活单元其实都在计算同样的东西，其实也就是一个"对称网络"，这种网络无法学习到什么有趣的东西，因为每个隐藏层的激活单元都在计算同样的东西，那么隐藏层其实相当于只有一个单元，所以这个神经网络其实可以简化为logistic回归，因此神经网络的W参数矩阵不能随机初始化为0。
