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

  AlphaGo 与李世石的第四局比赛中有哪些值得关注之处? 
  把某人的 DNA 序列作为输入,正面照片作为输出,丢到深度神经网络里面学习,可行吗? 
  有哪些值得推荐的人工智能领域的优质科普平台或渠道? 
  如何看待QQ邮箱翻译出他人的快递通知? 
  一道概率问题,求病毒不会全部灭绝的概率? 
  既然牛顿的导数理论是有问题的,为什么现在高中依然在教牛顿的导数理论而不是威尔斯特拉斯的 ε-δ 语言? 
  剩余类环的所有理想怎么求? 
  目前强化学习在控制领域的应用有哪些? 
  数学物理方程怎么那么难? 
  请问这道数分题目该如何处理呢,如下? 

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?





© 2025-04-03 - tinynew.org. All Rights Reserved.
© 2025-04-03 - tinynew.org. 保留所有权利