深度學(xué)習(xí)中的梯度消失和梯度爆炸是什么？有哪些方法可以解決？梯度消失的根源-深層神經(jīng)網(wǎng)絡(luò)和反向傳播。目前，神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法都是基于bp算法的思想，即根據(jù)損失函數(shù)計算的誤差，采用梯度bp算法來指導(dǎo)深度網(wǎng)

深度學(xué)習(xí)中的梯度消失和梯度爆炸是什么？有哪些方法可以解決？

梯度消失的根源-深層神經(jīng)網(wǎng)絡(luò)和反向傳播。目前，神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法都是基于bp算法的思想，即根據(jù)損失函數(shù)計算的誤差，采用梯度bp算法來指導(dǎo)深度網(wǎng)絡(luò)權(quán)值的更新和優(yōu)化。

梯度消失和梯度爆炸。在兩種情況下，梯度消失經(jīng)常發(fā)生，一種是在深網(wǎng)絡(luò)中，另一種是使用不適當(dāng)?shù)膿p失函數(shù)，如sigmoid。梯度爆炸通常發(fā)生在深度網(wǎng)絡(luò)初始值和權(quán)重過大時。神經(jīng)網(wǎng)絡(luò)的反向傳播是將函數(shù)的偏導(dǎo)數(shù)逐層相乘。因此，當(dāng)神經(jīng)網(wǎng)絡(luò)的層很深時，最后一層的偏差會因為乘以許多小于1的偏導(dǎo)數(shù)而變得越來越小，最后趨于0，導(dǎo)致淺層的權(quán)值不更新，即梯度消失。由于梯度爆炸的初始權(quán)值過大，前一層的變化比后一層快，導(dǎo)致權(quán)值增加和溢出，導(dǎo)致Nan值的產(chǎn)生。

使用sigmoid激活函數(shù)時，梯度消失問題更常見，而梯度爆炸問題只發(fā)生在非常窄的范圍內(nèi)。

解決梯度消失問題的方法：添加BN層、使用不同的激活函數(shù)（relu）、使用剩余結(jié)構(gòu)、使用LSTM網(wǎng)絡(luò)結(jié)構(gòu)等

解決梯度爆炸問題的方法：添加BN層、使用不同的激活函數(shù)、梯度剪切（限制梯度范圍），權(quán)重正則化，使用LSTM網(wǎng)絡(luò)，重新設(shè)計網(wǎng)絡(luò)模型（減少層，學(xué)習(xí)）率，批量大?。?/p>

歡迎討論

人腦是怎么防止梯度消失和梯度爆炸的？

大腦中有近900億個神經(jīng)元。如此龐大的網(wǎng)絡(luò)如何防止梯度消失和梯度爆炸？我認為，因為大腦不能一次激活所有的神經(jīng)元，所以它把結(jié)果儲存在遠離大腦的地方。

人腦是如何工作的？

你給大腦一個圖像，同時激活整個大腦嗎？顯然不是。大腦被分割了。然而，在遙遠的地方存儲信息只是人腦算法的一小部分，這與動物和人類驚人的識別能力無關(guān)。我認為更多的是關(guān)于短期記憶的儲存（在它變成長期記憶之前）。

現(xiàn)在人們普遍認為人腦沒有DNN這樣的梯度返回機制。。。對生物學(xué)稍有了解就會發(fā)現(xiàn)神經(jīng)元的傳遞是單向的。但是我們能有兩個神經(jīng)元，一個前饋一個反饋嗎？目前的研究還沒有發(fā)現(xiàn)。。。一般認為這一環(huán)節(jié)是一個循環(huán)結(jié)構(gòu)（RNN）。其次，新生動物的比率可能不需要學(xué)習(xí)掌握很多基本的信息處理能力。例如，牛、羊和馬生來就是要走路的。結(jié)果表明，它們的基因是預(yù)先編程的，具有一些基本的能力，如行走、運動和視覺，這是我們通過反向傳播訓(xùn)練模型實現(xiàn)的。人類出生的原因看不清楚。現(xiàn)有的解釋是，人類在出生時并沒有完全發(fā)育，否則嬰兒的頭太大，無法順利分娩。然而，大腦中肯定有一種機制來返回錯誤并改變突觸重量。

從RNN到LSTM，性能良好的神經(jīng)網(wǎng)絡(luò)到底是如何工作的？

RNN（遞歸神經(jīng)網(wǎng)絡(luò)）顧名思義，就是把以前的輸出（隱藏狀態(tài)）作為輸入，形成一個循環(huán)。

（RNN擴展，圖像源：colah.github.io文件)

上面的展開圖清楚地顯示了RNN的結(jié)構(gòu)。不難發(fā)現(xiàn)RNN的結(jié)構(gòu)與序列化數(shù)據(jù)是一致的。實際上，RNN實際上主要用于處理序列化數(shù)據(jù)。

基本上，不使用原始RNN，而是使用RNN的變體。

漸變裁剪可以緩解漸變爆炸，而RNN變體（如主流LSTM和Gru）可以緩解漸變消失。

（一般是sigmoid層）建模輸入、輸出和遺忘。

（圖片來源：中新網(wǎng)/@左上角的藍色是輸入門，右上角的綠色是輸出門，底部的紅色是遺忘門。