Θ应初始化为什么值

当我们是用logistic regression算法时，将θ初始化为0是可以的；但是如果在神经网络里面，将θ初始化为0是不可行的

若将Θ初始化为0的后果-the problem of symmetry ways

当Θ初始化为0后,蓝色线上的两个weights是相等的，红色线上的两个weights也是相等的，绿色线上的两个weights也是相等的，这样a₁⁽²⁾=a₂⁽²⁾,同样δ₁⁽²⁾=δ₂⁽²⁾,然后对的两个蓝色线上的Θ求导后值也相等，即经过一次update后，a₁⁽²⁾仍然与a₂⁽²⁾相等.假设我们有很多个hidden units,则它们的值都是相等的，这样对于output layer来说，是等同于同一个feature的，会引起很大的冗余,引起的问题称为the problem of symmetry ways。

Θ应如何初始化-symmetry breaking

 

rand(10,11)创建一个10*11的矩阵，其中每个数都是在0到1之间的随机数，这个里面的EPSILON与我们之前讲的做gradient checking时的EPSILON是没有关系的，这里用EPSILON表示只是表示一个很接近于0的初始值。

总结

1. 通过将Θ初始化为随机的接近于0的随机数矩阵来break symmetry(对称)。
2. 先通过gradient check来检查back propagation(这个后面是用来计算导数的)是否正确，如若正确，则初始化Θ，通过gradient descent或者advanced algorithmn来寻找使cost function的值最小的Θ的值。