举个例子，让我们的成本函数为J（x，y）= x * y，我们目前在点（0,0）
则梯度向量将为（0,0）。这意味着我们不会使用梯度下降算法移动到任何其他点。
对于后面的问题，让我们考虑另一个示例：函数F（x，y）的x的导数（我们称其为Fx（x，y））为负，函数F（x的y的导数， y）（我们称它为Fy（x，y））也为负。然后，我们将使用梯度下降沿向量alpha *（Fx（x，y），Fy（x，y））移动。对于任何足够小的alpha，我们如何保证F（x + alpha * Fx（x，y），y + alpha * Fy（x，y））
答案 0 :(得分：0)
对于梯度下降算法而言，不能保证，无法找到全局最小值甚至局部最小值。
是的，如您所述，该算法将停留在(0,0)处。但是，您很可能永远不会完全来到(0,0)。
也有很多技术可以防止这种情况的发生。