线性回归基本可以是LR的简化版（论证思路上），因此本文将主要探讨两个问题：1. 为什么LR可以将权重初始化为0？2. 为什么神经网络不能将权重初始化为0？

本文参考资料：https://zhuanlan.zhihu.com/p/75879624

为什么LR可以将权重初始化为0？

为什么神经网络不能将参数初始化为0？

以下图为例：

情况1：w和b都初始化为0

那么由于反向传播的公式，从上图一个简单反向传播可以看出，每一轮参数更新只能从后往前更新一层的参数。这且不管，而且由于初始化参数完全相同，那么上上图中的$a_1$和$a_2$的值相同，因此更新的参数值也相同，而之后的迭代也是这样，即同一层的每个节点的参数值会完全相同！这个叫做隐藏神经元的对称性。而倘若同一层每个神经元输出相同，那么这样的神经网络就没有意义了。

情况2：模型所有w初始化为0，b随机初始化

从上图可以看出，这种情况下模型同样在刚开始时每轮只能从后往前更新一层的参数，但由于b的不同，在经过足够多的轮数后所有参数还是能得到更新的。但是这种方式更新较慢，且存在梯度消失、梯度爆炸等问题，通常不会这么干。

模型所有w随机初始化，b初始化为0

从上图看得出，每一层的参数的更新与其后一层的b并没有关系，因此b的初始值不会影响BP算法的效果，所有权值和b都能得到更新。