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0。但如果将神经网络的各个参数数组全部初始化为0，再使用梯度下降算法，那会完全无效
如果就你有2个输入特征，所以n[0] = 2，然后有2个隐藏单元，n[1] = 2，所以和隐藏层相关的矩阵w[1]是2*2的矩阵，假如全部初始化为0，即
w[1] = { 0 0 b[1]= {0
0 0} 0}
这种初始化的问题在于，你给网络输入任何样本，你的a1[1]和a2[1]是一样的，所以a1[1]和a2[1]的激活函数是完全一样的，因为两个隐藏单元都在做完全一样的运算，当计算反向传播时，出于对称性
dz1[1]和dz2[1]也是相同的，这样会导致无论训练神经网络多长时间，两个隐藏单元仍然在计算完全一样的函数。
因此需要两个不同的隐藏单元去计算不同的函数，这个问题的解决方法就是随机初始化所有的参数。
令： w[1] = np.random.randn*0.01 这可以产生参数为（ 2，2 ）的高斯分布随机变量，再乘以0.01将权重初始化成很小的随机数
b[1] = np.zeros( ( 2,1) )