深度学习梯度爆炸与梯度消失

标签：导致   csdn   解决方案   就是   背景   方案   法则   sig   优化   

背景

了解深度学习中的梯度爆炸与消失的原因，及如何处理梯度爆炸与消失。

梯度消失

梯度消失是激活函数和权重矩阵初始化值，这两个因素决定的。

sigmoid函数，求导的最大值为0.25

根据链式求导法则：导数小于0.25，如果初始化的W值，再小于1，这样逐个相乘后，会导致偏差为0，最终导致网路中的参数无法优化

梯度爆炸

依然根据链式求导法则：如果初始化的W值>10，则每一层的乘积大于1，这样逐个相乘后，会导致一个非常大权重更新，这就是梯度爆炸

解决方案

1. 好的参数初始化方式，如He初始化
2. 非饱和激活函数 ReLU
3. 批量规范化
4. 梯度截断
5. 更快的优化器

参考

1. https://blog.csdn.net/junjun150013652/article/details/81274958

深度学习梯度爆炸与梯度消失

标签：导致   csdn   解决方案   就是   背景   方案   法则   sig   优化   

原文地址：https://www.cnblogs.com/syw-home/p/13188694.html