权重初始化为0，意味着网络在训练初期，所有神经元都将输出相同的值，进而导致反向传播时所有神经元接收到相同的梯度更新
这不仅阻断了网络中信息的多样性和复杂性传递，还使得网络失去了区分不同输入特征的能力
正确的权重初始化策略对于神经网络的学习至关重要
它应该能够确保每个神经元在训练初期就能接收到不同的信号，从而允许网络通过反向传播算法有效地学习并调整权重
常见的初始化方法包括随机初始化（如均匀分布或高斯分布初始化），以及考虑输入和输出神经元数量的特定初始化策略（如Xavier/Glorot初始化或He初始化）
这些方法旨在保持输入和输出的方差一致，有助于网络在训练过程中快速而稳定地收敛
因此，明确地说，nn的权重参数绝不能初始化为0，这不仅限制了模型的表达能力，还可能导致训练过程陷入停滞
选择合适的初始化策略是构建高效、高性能神经网络不可或缺的一步
