一、定義

海森矩陣最直觀的定義是具有多維輸入的函數f(x

當然，我們也可以認為函數的輸入是一個多維向量，這和深度學習的場景就很相似了。由於微分算子在任何二階偏導連續的點可交換

我們仔細觀察海森矩陣會發現它有很強的對稱性，實際上在深度學習的背景下，我們遇到的大多數函數的海森矩陣幾乎處處對稱。

二、作用

1、判斷多元函數的極值

我們都知道對於一元二階可導函數，一階導數為零，二階導數大於零是極小值點；一階導數為零，二階導數小於零是極大值點；一階導數和二階導數都為零是駐點。海森矩陣幫助我們把這個理論推廣到了多維函數。將海森矩陣進行特徵值分解可得如下定理：

矩陣正定（所有特徵值為正），該臨界點為局部極小值點。

矩陣負定（所有特徵值為負），該臨界點為局部極大值點。

特徵值中至少一個為正或者至少一個為負，該臨界點為鞍點。

所有非零特徵值同號且至少有一個特徵值為零，該點無法確定。

2、優化目標函數

我們可以將目標函數在某點的鄰域展開成泰勒多項式來逼近原函數。最典型的應用就是牛頓法。牛頓法基於一個二階泰勒公式展開來近似x

其中H代表海森矩陣，如果f是一個正定二次函數，牛頓法能直接跳到函數的最小點。如果f不是一個正定二次函數但是在局部能近似為正定二次，牛頓法也可以比梯度下降更快的到達臨界點。

但是在遇到鞍點時卻很容易淪陷。只有當海森矩陣正定時牛頓法才適用。