局部最优化问题
如图左侧所示，似乎存在很多局部最优解。某个算法可能会困在局部最优解里，而不能达到全局最优解。如果通过画图的情况，比如说这种两纬度的情况，就很容易出现许多局部最优解。然而，通过这样的低纬来理解高维是不正确的。
事实上如果你要创建一个神经网络，通常梯度为0的点并不是图中局部最优点，而是右图中的鞍点（saddle points），在高维情况，我们通常碰到的是鞍点而不是局部最优点。
对于深度学习而言，大部分低维空间的直觉不能应用到高维空间。
那么如果局部最优不是问题，那么问题是什么呢？
结果是平稳段会减缓学习。
平稳段是一块区域，那里的导数长时间接近于0。
那么本部分的经验是首先，你不太可能在训练大型神经网络中困在局部最优解。条件是大型神经网络有放多参数，而且成本函数J被定义在较高纬度空间。第二点，平稳段是个问题，会使你学的非常缓慢。