目录

线性代数中退化矩阵

        矩阵退化：

        模型退化：

矩阵的退化？什么是线性相关？

模型的退化（不太严谨的类比神经网络的模型退化）

模型退化的缓解

---

线性代数中退化矩阵

        矩阵退化：

                研究的是向量组中的向量

        模型退化：

                研究的是神经元节点

         

首先，退化矩阵 也叫 奇异矩阵。行列式为0，非满秩，也就是说矩阵内存在线性相关的向量组。

矩阵的退化？什么是线性相关？

 

 --非零常量个数等于1时，对应向量肯定是零向量

--个数大于1时候，说明至少有两个向量线性相关

（零向量和任意向量线性相关）

退化程度越高，线性相关的向量组越多

不太严谨的类比神经网络的模型退化

模型的退化（不太严谨的类比神经网络的模型退化）

权重线性相关，提取到的特征无效。

线性相关性增加，提取到的特征有很多是重复的。本来神经网络为了应对复杂的任务而准备了庞大的参数量，但是矩阵退化导致很多参数形同虚设，难以获得更丰富的特征。模型的表达能力就会随之下降，导致训练的损失也难以下降。

        以身份认证任务为例子，可供参考的特征有五官、头发、服饰等。理想的情况是神经元分工合作提取不同特征。通过整体的特征来提高模型的表达能力。因为 模型的退化 ，可能所有的神经元都在盯着一个特征，导致效率低下。虽然也能达到目的，但总没有综合特征来得准确。

论文：

论文提出了模型的三种奇异性：权重=0，权重相等，权重之间线性相关。

矩阵的退化：有零向量组，有相等向量组，都意味着存在线性相关的向量组。

模型退化的缓解

Dropout技术，参数初始化方法，跳跃连接

补充一点：我们常用的ReLU激活函数可能造成神经元坏死（永远无法得到激活的情况），而LeakyReLU左半平面也有梯度所以可以避免这个问题。

参考：【不想读paper】深度神经网络的退化问题 | 一篇总结_哔哩哔哩_bilibili

非常感谢小姐姐的分享！！！