文章目录
一、什么是鞍点问题?
在优化问题中,鞍点(Saddle Point)是指函数表面上看起来像是极值点,但实际上是一个局部极小值和一个局部极大值的结合点。在这种情况下,梯度为零,使得算法在此处停滞,导致优化过程陷入困境。
鞍点问题在高维空间中更常见,尤其是在深度学习中,因为深层神经网络的参数空间通常具有非常高的维度。当优化算法尝试更新参数以最小化损失函数时,它可能会陷入鞍点,梯度接近零,使得更新步骤变得非常小,从而导致优化过程几乎停滞。
解决鞍点问题的方法之一是使用更高级的优化算法,如动量优化器(Momentum)、自适应学习率优化器(如Adam)、以及一些特定的初始化策略,如He初始化,可以帮助避免或跳出鞍点。此外,随机性的引入,如随机梯度下降(SGD)中的