给出初始化权重w，b的代码

在深度学习中，权重（weights, w）和偏置（bias, b）是非常重要的参数，它们决定了神经网络的连接强度和激活函数的输入起点。在Python的深度学习库如TensorFlow、Keras或PyTorch中，初始化权重和偏置的代码可能会有所不同，但基本思路都是一致的：

**TensorFlow示例**:

import tensorflow as tf

# 初始化随机权重（可以设置各种初始化策略）
w = tf.Variable(tf.random.normal([input_dim, output_dim]), name='weights')

# 初始化偏置（通常是一个常数）
b = tf.Variable(tf.zeros([output_dim]), name='bias')

**PyTorch示例**:

import torch

# 使用torch.nn.init模块（常用的Xavier或He初始化）
w = torch.nn.Parameter(torch.randn(input_dim, output_dim), requires_grad=True)

# 初始化偏置（默认值通常是0）
b = torch.nn.Parameter(torch.zeros(output_dim), requires_grad=True)

**Keras示例**:

from tensorflow.keras import layers

# 使用内置的Sequential API
model = keras.Sequential()
model.add(layers.Dense(units=output_dim, input_shape=(input_dim,), kernel_initializer='glorot_uniform', bias_initializer='zeros'))

以上代码展示了如何在这些框架中初始化权重和偏置。`kernel_initializer`（在Keras中对应于weights）和`bias_initializer`指定了初始化策略。