阿摩線上測驗
3. 在訓練非線性模型時，若目標函數為非凸函數(Non-convex Function)，演算法在參數更新過程中可能出現多個極值點，導致最佳化結果不穩定。請問此時最可能發生下列哪一種情況？
(A)梯度消失；
(B)資料過少；
(C)局部最優解；
(D)過擬合
答案：登入後查看
統計： A(3), B(0), C(8), D(2), E(0) #3774677
統計： A(3), B(0), C(8), D(2), E(0) #3774677
詳解 (共 2 筆)
hchungw
#7372180
在訓練非線性模型（如深度神經網路）時，目標函數（Loss Function）通常是非凸函數（Non-convex Function）。這意味著損失函數的形狀並不是一個簡單的碗狀（單一最低點），而是像雲霄飛車一樣上上下下，存在多個局部最小值（Local Minima）和鞍點（Saddle Points）。當演算法使用梯度下降法進行參數更新時，它會遵循最陡下降方向，直到梯度變為 0。在非凸函數的情況下，演算法非常容易停在一個「局部」最低點，而不是「全局」最低點，導致無法找到最佳的參數組合，這就是局部最優解（Local Optima）問題
0
0