Update optimization-intro.md

chapter_optimization/optimization-intro.md

@@ -94,11 +94,11 @@ d2l.plt.ylabel('y');
 
 在图的鞍点位置，目标函数在$x$轴方向上是局部最小值，但在$y$轴方向上是局部最大值。
 
-假设一个函数的输入为$k$维向量，输出为标量，那么它的黑塞矩阵（Hessian matrix）有$k$个特征值（参见附录中[“数学基础”](../chapter_appendix/math.md)一节）。该函数在梯度为0的位置上可能是局部最小值、局部最大值或者鞍点。
+假设一个函数的输入为$k$维向量，输出为标量，那么它的海森矩阵（Hessian matrix）有$k$个特征值（参见附录中[“数学基础”](../chapter_appendix/math.md)一节）。该函数在梯度为0的位置上可能是局部最小值、局部最大值或者鞍点。
 
-* 当函数的黑塞矩阵在梯度为零的位置上的特征值全为正时，该函数得到局部最小值。
-* 当函数的黑塞矩阵在梯度为零的位置上的特征值全为负时，该函数得到局部最大值。
-* 当函数的黑塞矩阵在梯度为零的位置上的特征值有正有负时，该函数得到鞍点。
+* 当函数的海森矩阵在梯度为零的位置上的特征值全为正时，该函数得到局部最小值。
+* 当函数的海森矩阵在梯度为零的位置上的特征值全为负时，该函数得到局部最大值。
+* 当函数的海森矩阵在梯度为零的位置上的特征值有正有负时，该函数得到鞍点。
 
 随机矩阵理论告诉我们，对于一个大的高斯随机矩阵来说，任一特征值是正或者是负的概率都是0.5 [1]。那么，以上第一种情况的概率为 $0.5^k$。由于深度学习模型参数通常都是高维的（$k$很大），目标函数的鞍点通常比局部最小值更常见。