神经网络的核心在于通过不断调整权重来拟合复杂的数据分布，而初始权重作为学习的起点，应具备足够的多样性和随机性
若将权重初始化为常数，所有神经元在初始阶段将拥有相同的输出，导致网络在反向传播时所有参数更新也趋于一致，这种现象称为“对称权重问题”
这不仅极大地限制了网络的表达能力，还可能导致梯度消失或梯度爆炸，使训练过程无法有效进行
此外，常数初始化剥夺了网络捕捉数据中细微差异的能力，因为所有输入特征在初始阶段都被同等对待，无法体现它们对输出贡献的不同重要性
正确的初始化策略，如Xavier或He初始化，旨在保持输入与输出的方差一致，有助于网络快速收敛至更优解
因此，权重不能初始化为常数，这是确保神经网络有效学习、避免训练困境并提升模型性能的关键所在
