在图的鞍点位置，⽬标函数在x轴⽅向上是局部最小值，但在y轴⽅向上是局部最⼤值。
假设⼀个函数的输⼊为k维向量，输出为标量，那么它的海森矩阵（Hessian matrix）有k个特征值（参⻅附录中“数学基础”⼀节）。该函数在梯度为0的位置上可能是局部最小值、局部最⼤值或者鞍点。
•当函数的海森矩阵在梯度为零的位置上的特征值全为正时，该函数得到局部最小值。
• 当函数的海森矩阵在梯度为零的位置上的特征值全为负时，该函数得到局部最⼤值。
•当函数的海森矩阵在梯度为零的位置上的特征值有正有负时，该函数得到鞍点。
随机矩阵理论告诉我们，对于⼀个⼤的⾼斯随机矩阵来说，任⼀特征值是正或者是负的概率都
是0.5 [1]。那么，以上第⼀种情况的概率为 0.5^k。由于深度学习模型参数通常都是⾼维的（k很
⼤），⽬标函数的鞍点通常⽐局部最小值更常⻅。