关于“鞍点”的说法网上讲的乱七八糟，因此我特地上维基百科探查了鞍点的真相。
首先在高等数学里可能大家都还记得一个平面叫马鞍面，图形如下（粘贴自维基百科），那个红点就是三维空间中的鞍点。我们可以从正交的两个方面来看这个点，以平行于坐标轴XOZ平面和YOZ平面的过这个红点的两个平面对这个图形进行截取，可以发现，在一个方向上它是极大值，在另一个方向上它是极小值，这种点就叫鞍点（Saddle Point）。
值得注意的是，鞍点无论对各个方向求导（偏导），其导数（偏导数）都是0，但是它又不是极值点。
而在二维图像（曲线、曲面、超曲面）上，鞍点就是其驻点，所谓驻点也就是一阶导数为0的点。
在一维域中，鞍点既是驻点又是拐点，因而它不是也不可能是极值点。
（我才疏学浅觉得有点奇怪，一维为甚么有驻点或者拐点，我觉得应该是二维才对，或许它的意思不是说一维空间，而是在某一个维度上。原文如下，大家自行体会：In a domain of one dimension, a saddle point is a point which is both a stationary point and a point of inflection. Since it is a point of inflection, it is not a local extremum.）
关于二维空间中鞍点的举例，就可以拿y=x^3在x=0那一点来说了，下图同样摘自wiki。
包含一个或以上鞍点的面就叫做Saddle surface。对于鞍点更数学一点的解释就是：
对某函数f，若其在某一点的Hessian matrix的值是indefinite的，那么它就是鞍点（我也不懂，原文如下）
了解了鞍点的概念，就要说到鞍点对Gradient Descent的影响了，在许多深度学习实验中，往往会有存在鞍点的可能，而若是鞍点较多，则会严重影响Gradient Descent的性能与正确率，而事实上即便在其他算法中，鞍点往往比Local minimum更令人头疼，而关于如何解决、或者说避开鞍点呢，请看这篇文章（Andrew Ng的导师写的）：How to Escape Saddle Points Efficiently
