目录
梯度消失
梯度爆炸
参考资料
以下图的全连接神经网络为例，来演示梯度爆炸和梯度消失：
|
梯度消失 |
在模型参数w都是(-1,1)之间的数的前提下，如果激活函数选择的是sigmod(x)，那么他的导函数σ’(x)的值域为(0,0.25]，即如下三项的范围都是(0,0.25]
那么w1的导数会有很多(0,0.25]范围的数累乘，就会造成w1的导数很小，这就是梯度消失。梯度消失的后果就是，w1的更新就会很慢，使得神经网络的学习变得很慢。
解决方法：使用relu(x)这样的激活函数，因为他的导函数的值可以稳定在1，累乘后不会让梯度消失。
|
梯度爆炸 |
如果模型参数不是(-1,1)之间的数，比如是50，对w1求导时，就会出现很多大的数的累乘，更新参数会出现问题，无法完成网络学习
解决方法：合理的初始化模型参数
|
参考资料 |
对于梯度消失和梯度爆炸的理解
https://www.cnblogs.com/pinking/p/9418280.html
《图解深度学习与神经网络：从张量到TensorFlow实现》_张平
