百科问答小站 logo
百科问答小站 font logo



为什么nn的较大问题是会陷入局部最优时,不选用凸函数作为激活函数? 第1页

  

user avatar   filestorm 网友的相关建议: 
       @li Eta

答得很好。

关于第一点

为什么陷入局部最优,根本不是NN的问题

貌似并没展开说。我正好得空,补充一下

大家以前认为,deep learning的loss的形状会是布满弹坑的样子:


于是,梯度下降到local minimum如果不是global minimum就出大问题了。




但其实对于deep learning,我们是在一个非常高维的世界里做梯度下降。这时的 local minimum 很难形成,因为局部最小值要求函数在所有维度上都是局部最小。更实际得情况是,函数会落到一个saddle-point上,如下图:



在saddle-point上会有一大片很平坦的平原,让梯度几乎为0,导致无法继续下降。

反倒是local/global minimum的问题,大家发现其实不同的local minimum其实差不多(反正都是over-fitting training data,lol)

推荐阅读Bengio组的这两篇:

On the saddle point problem for non-convex optimization

Identifying and attacking the saddle point problem in high-dimensional non-convex optimization




  

相关话题

  xgboost原理? 
  为什么硅谷的人在造火箭,搞人工智能,虚拟现实生物工程,而我们却在玩互联网? 
  如何评价数海钓鱼将钓鱼题广泛传播的行为? 
  是否对于任意的正整数n≥2,都存在n个正整数两两之和为平方数? 
  怎样实现强人工智能? 
  数学系大二如何弥补大一的差基础? 
  医学生学习机器学习该如何入门? 
  张益唐和佩雷尔曼的论文是否说明脱离主流学术圈一样有可能成为顶级数学家? 
  怎么用尺规作图法将一条线段分为两部分,且比例为 1:2? 
  数学难还是画画难? 

前一个讨论
in memory computing 存内计算是学术圈自娱自乐还是真有价值?
下一个讨论
现在互联网公司还有做特征工程的工作吗?





© 2025-04-04 - tinynew.org. All Rights Reserved.
© 2025-04-04 - tinynew.org. 保留所有权利