深度學習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)絡和反向傳播。目前，神經(jīng)網(wǎng)絡的優(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算法來指導深度網(wǎng)

深度學習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)絡和反向傳播。目前，神經(jīng)網(wǎng)絡的優(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算法來指導深度網(wǎng)絡權值的更新和優(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)絡中，另一種是使用不適當?shù)膿p失函數(shù)，如sigmoid。梯度爆炸通常發(fā)生在深度網(wǎng)絡初始值和權重過大時。神經(jīng)網(wǎng)絡的反向傳播是將函數(shù)的偏導數(shù)逐層相乘。因此，當神經(jīng)網(wǎng)絡的層很深時，最后一層的偏差會因為乘以許多小于1的偏導數(shù)而變得越來越小，最后趨于0，導致淺層的權值不更新，即梯度消失。由于梯度爆炸的初始權值過大，前一層的變化比后一層快，導致權值增加和溢出，導致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）、使用剩余結構、使用LSTM網(wǎng)絡結構等

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），權重正則化，使用LSTM網(wǎng)絡，重新設計網(wǎng)絡模型（減少層，學習）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。我認為更多的是關于短期記憶的儲存（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)結構（RNN）。其次，新生動物的比率可能不需要學習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。結果表明，它們的基因是預先編程的，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練模型實現(xiàn)的。人類出生的原因看不清楚?，F(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。