← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 6473.d.3.a.1.c · 生成模型:未记录

鞍点与局部最小值

理解等级:中级

可微损失函数梯度为零的位置是临界点,其中既可能有局部最小值,也可能有鞍点。局部最小值附近没有更低值;鞍点在不同方向可呈现不同走势,某些方向仍可能通向更低损失。因此梯度下降停住不能直接证明到达局部最小值,也不说明找到全局最优。低维切面上的局部最小值,在更多参数方向中可能仍有下降方向;书中以实验说明鞍点常见,这是示例结果,不应推广为所有模型的定律。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 深度学习基础 3.1.1 临界点及其种类 · 查看原书依据

      当提到梯度为零的时候,大家最先想到的可能就是局部最小值(local minimum),如图3.2(a) 所示.所以经常有人说,做深度学习时,使用梯度下降会收敛在局部最小值,梯度下降不起作用.但其实损失不是只在局部最小值的点梯度为零,还有其他可能会让梯度为零的点,比如鞍点(saddle point).鞍点其实就是梯度为零且区别于局部最小值和局部极大值(local maximum)的点.在图3.2(b)中,红色的点在轴方向是比较高的,在轴方向是比较低的,这就是一个鞍点.鞍点的梯度为零,但它不是局部最小值. 我们把梯度为零的点统称为临界点(critical point).损失没有办法再下降,也许是因为收敛在了临界点,不一定是因为收敛在局部最小值.

    参考来源

    - 位置:《深度学习详解》第3章《深度学习基础》3.1.1(来源项目 book-source:`extracted/深度学习详解/_epub-src/OEBPS/Text/Chapter03.xhtml`) - 结论依据:原文区分局部最小值和不同方向有不同曲率的鞍点,并称梯度为零处为临界点。 - 原始内容:当提到梯度为零的时候,大家最先想到的可能就是局部最小值(local minimum),如图3.2(a) 所示.所以经常有人说,做深度学习时,使用梯度下降会收敛在局部最小值,梯度下降不起作用.但其实损失不是只在局部最小值的点梯度为零,还有其他可能会让梯度为零的点,比如鞍点(saddle point).鞍点其实就是梯度为零且区别于局部最小值和局部极大值(local maximum)的点.在图3.2(b)中,红色的点在轴方向是比较高的,在轴方向是比较低的,这就是一个鞍点.鞍点的梯度为零,但它不是局部最小值. 我们把梯度为零的点统称为临界点(critical point).损失没有办法再下降,也许是因为收敛在了临界点,不一定是因为收敛在局部最小值.