为什么Ng在deeplearning.ai的课程中说过，神经网络一定不能全部初始化为零，但在他的logistic回归作业中用的却是零初始化？

问题：

为什么Ng在deeplearning.ai的课程中说过，神经网络一定不能全部初始化为零，但在他的logic回归作业中用的却是零初始化？作业是：作业目录中的第2周第2次作业具有神经网络思维的Logistic回归，代码为：

def initialize_with_zeros(dim):
    """
        此函数为w创建一个维度为（dim，1）的0向量，并将b初始化为0。

        参数：
            dim  - 我们想要的w矢量的大小（或者这种情况下的参数数量）

        返回：
            w  - 维度为（dim，1）的初始化向量。
            b  - 初始化的标量（对应于偏差）
    """
    w = np.zeros(shape = (dim,1))
    b = 0
    #使用断言来确保我要的数据是正确的
    assert(w.shape == (dim, 1)) #w的维度是(dim,1)
    assert(isinstance(b, float) or isinstance(b, int)) #b的类型是float或者是int

    return (w , b)

可以看出它是零初始化，但Ng却说神经网络不能零初始化的，但是在这个例子确实有效，也就是说可以零初始化，那Ng错了吗？为什么？

答案：

1、Ng说的是神经网络不能零初始化，而这个例子只是logistic回归，它没有隐藏层，所以不算是神经网络，且Ng在教学视频的第一部分『神经网络与深度学习』中的第二周里的「梯度下降法」中的2分38秒时明确说了，logistic回归的权值初始化可以是任意初始化方法，包括全0初始化。同时，Ng在教学视频的『神经网络与深度学习』中第四周的『随机初始化』中开篇又强调了这一点，并且又用这个视频来解释了为什么神经网络权重不能初始化为0。
2、那为什么logistic回归可以全0初始化呢？对于这个问题，Ng特意在该次作业的下一次，也就是第3周的第一次测验中的第7题来回答了这个问题，具体为：

Logistic Regression doesn’t have a hidden layer. If you initialize the weights to zeros, the first example x fed in the logistic regression will output zero but the derivatives of the Logistic Regression depend on the input x (because there’s no hidden layer) which is not zero. So at the second iteration, the weights values follow x’s distribution and are different from each other if x is not a constant vector.
翻译为：Logistic回归没有隐藏层。 如果将权重初始化为零，则Logistic回归中的第一个示例x将输出零，但Logistic回归的导数取决于不是零的输入x（因为没有隐藏层）。 因此，在第二次迭代中，如果x不是常量向量，则权值遵循x的分布并且彼此不同。