2019年6月14日臀栈，驚聞老家的堂弟自殺蔫慧，悲痛之余，有一些感想权薯。
我一直覺得姑躲，人一輩子睡扬，總會有走不出來的困境，想要自殺的沖動黍析，也許大部分人沒有突破動物的求生本能卖怜，隨著時間就慢慢平復了，而另一些人阐枣，即便是時間也無法讓他的悲痛消除马靠，在困境中愈演愈烈，走向絕境蔼两。
機器學習中有一個經(jīng)典問題甩鳄，如何解決梯度下降算法的局部最小值。
梯度下降算法额划，帶入到生活中妙啃，我想可以這么理解：人會對日常中接觸到的事情嘗試找到最優(yōu)解，過程是不斷迭代的：嘗試一下俊戳，根據(jù)反饋做調(diào)整揖赴，再嘗試一下，直到找到最優(yōu)解抑胎。
陷阱就在這里燥滑。
梯度下降算法往往會陷入局部最小值（Local Minima），在局部最小值阿逃，迭代的信息會告訴你铭拧，周圍沒有比這更低的點了，這就是最優(yōu)解盆昙，而實際上，這遠不是全局最優(yōu)解（Global Minima）焊虏。
而處在局部最小值點的人淡喜，就陷入了生活的困境。他們掙扎诵闭、困頓炼团，不斷的與周圍的事物迭代試圖找到最優(yōu)解，而他接觸到的信息則不斷告訴他疏尿，你已經(jīng)走投無路了瘟芝。就好像籠中困獸以頭戧壁，做的越多褥琐，越絕望锌俱。
好消息是，研究表明敌呈，局部最小值往往僅存在于低維空間中贸宏，對于高維空間造寝，局部最小值要求在每一個維度上都是最小值，這種概率非常低吭练。舉個例子：你生活中接觸到的事情就男（女）朋友诫龙、工作，結果有一天分手同時被裁了鲫咽，于是你陷入了生活的困境签赃。但是如果你生活中除了這些還有很多其他的事情，那同時都喪的概率就低多了分尸。
所以锦聊，關鍵在于，當你陷入了生活的困境寓落，其實是你接觸到的信息讓你誤以為自己陷入了無法自拔的困境括丁，這時候啦租，你也許需要換個環(huán)境舵稠，接觸點不同的信息。
