UC伯克利发现「没有免费午餐定理」加强版：每个神经网络，都是一个高维向量(4)

简而言之，由于λ为常量，矩阵A并不改变特征向量的方向，只是对特征向量进行了尺度为λ的伸缩变换：

图 2：特征值与特征向量的几何意义
通过在特征向量为基构成的向量空间中将神经网络重新表示，我们得以将不同初始化的神经网络以及学习后的神经网络进行量化对比。
3神经正切核
一个前馈神经网络可以代表下面的函数：

其中，θ是一个参数向量。令训练样本为x，目标值为y，测试数据点为x"，假设我们以较小的学习率η执行一步梯度下降，MSE 损失为