这其实是一个理解上的误区：
陷入局部最优其实不是神经网络的问题，在一个非常高维的空间中做梯度下降，这时的local minimum是很难形成的，因为局部最小值要求函数在所有维度上都是局部最小的。实际情况是，函数会落在一个saddle-point上。
在saddle-point上会有一大片很平坦的平原，让梯度几乎为0，导致无法继续下降。
但是saddle-point并不是一个局部极小值点，因为它还是有可以下降的方向，只不过现在这些优化算法都很难去找到这个方向罢了。
通过以下图来感受以下saddle-points
NN的设计激活函数是为了引入非线性变换，凸不凸都可以。
其次在神经网络的变换中，其实是对原始空间的不断的挤压或者拉伸，但是不会切断。tanh这个激活函数能够保证原始空间和变换后的空间的同胚性。（有待研究）colah的博客中提到的。
Ref:
[1]Dauphin Y, Pascanu R, Gulcehre C, et al. Identifying and attacking the saddle point problem in high-dimensional non-convex optimization[J]. Mathematics, 2014, 111(6 Pt 1):2475-2485.
[2]http://colah.github.io/posts/2014-03-NN-Manifolds-Topology/