Siempre [1].
La idea es considerar una secuencia de bolas de radios crecientes, digamos [math] a_i = i [/ math]. Deje que [math] \ bar B (r) = \ {x \, | \, \ lVert x \ lVert \, \ le r \} [/ math] sea la bola centrada en cero, y tenga en cuenta que [math] \ bar B (r) [/ math] es compacto. Ahora, sabemos que una función continua alcanza un mínimo en un dominio compacto y, por lo tanto, [math] f [/ math] alcanza un mínimo en cada [math] \ bar B (a_i) [/ math].
Entonces, considere el minimizador de [math] f [/ math] sobre cada elemento de la secuencia, y deje que su valor sea [math] f (a ^ * _ i) [/ math], ya que la función es coercitiva, hay algunos punto bajo el cual [matemática] f (a ^ * _ k) \ le f (a ^ * _ 1) a_k [/ math] (por continuidad y el hecho de que la función diverge al infinito), y por lo tanto [math] a ^ * _ \ ell [/ math] para cualquier [math] \ ell \ ge k [/ math ] (ya que todos son iguales) es nuestro minimizador.
- Cómo estructurar sus proyectos de aprendizaje automático
- ¿Dónde estará (o podría) estar el Aprendizaje Profundo si la Ley de Moore continúa por otros 10-20 años?
- ¿Cuáles son las diversas aplicaciones del aprendizaje automático en ciencias de la salud / ciencias de la vida?
- Cómo ingresar a un laboratorio superior de aprendizaje automático o de visión por computadora como erudito visitante
- ¿Qué área de IA y aprendizaje profundo es útil para vehículos autónomos?
[1] Ver aquí.