深度学习之Hessian矩阵正负定讨论

最新推荐文章于 2024-04-20 11:57:30 发布

小T是我

最新推荐文章于 2024-04-20 11:57:30 发布

阅读量1.9w

点赞数 3

分类专栏：深度学习-Deep Learning 文章标签： Hessian 人工智能深度学习机器学习极小值

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/junjun150013652/article/details/80588976

版权

本文讨论了在深度学习中，Hessian矩阵正定与负定对函数临界点的影响。正定Hessian表示局部极小值，负定则表示局部极大值。通过二阶泰勒展开分析，当Hessian的所有特征值为正或负时，可以判断函数在临界点的行为。如果特征值既有正有负，临界点可能在不同横截面上表现为局部极大或极小点。

摘要由CSDN通过智能技术生成

当Hessian是正定的(所有特征值都是正的)，则该临界点是局部极小点。同理，当Hessian是负定的(所有特征值都是负的)，则该临界点是局部极大点。我们这里讨论的点都是临界点，即f'(x) = 0的点，且函数都是连续可导的。

首先讨论一元函数的临界点，通过二阶泰勒公式展开得

f(x) = f(x0) + f'(x0) dx + (1/2)f''(x0) dx²

已知f'(x0) = 0，那么当f'&#

最低0.47元/天解锁文章

关注

3
点赞
踩
12

收藏

觉得还不错? 一键收藏
0
评论
深度学习之Hessian矩阵正负定讨论

当Hessian是正定的(所有特征值都是正的)，则该临界点是局部极小点。同理，当Hessian是负定的(所有特征值都是负的)，则该临界点是局部极小点。注意，我们这里讨论的点都是临界点，即f'(x) = 0的点，且函数都是连续可导的。首先讨论一元函数的临界点，通过二阶泰勒公式展开得已知f'(x0) = 0，那么当f''(x0) &gt; 0时，f(x) &gt; f(x0)，也就是x0点是f(x)的...
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。