深度学习为什么不用二阶优化

a. 牛顿法使用的是目标函数的二阶导数，在高维情况下这个矩阵非常大，计算和存储都是问题。

b. 在小批量的情况下，牛顿法对于二阶导数的估计噪声太大。

c.目标函数非凸的时候，牛顿法容易受到鞍点或者最大值点的吸引。

最大的问题就是计算复杂度。二阶一次迭代更新的复杂度是n*n，这在高维的时候是不可行的
稳定性。越简单的东西往往越robust，对于优化算法也是这样。
二阶求导不易
二阶方法能够更快地求得更高精度的解，但是在神经网络这类深层模型中，不高的精度对模型还有益处，能够提高模型的泛化能力。