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

梯度下降算法是指什么神經(jīng)網(wǎng)絡(luò)？

梯度下降算法是一種在每一代中更新神經(jīng)網(wǎng)絡(luò)權(quán)值的方法。神經(jīng)網(wǎng)絡(luò)中的權(quán)值更新方法有很多種，不僅僅是這一種

LSTM（long-short-term memory）是一種長時記憶網(wǎng)絡(luò)，是一種時間周期的神經(jīng)網(wǎng)絡(luò)。它適用于處理和預(yù)測時間序列中具有較長間隔和延遲的重要事件。長短時記憶（Long-short-term memory，LSTM）是一種特殊的RNN，主要用于解決長序列訓(xùn)練過程中的梯度消失和梯度爆炸問題?？傊?，LSTM比普通RNN在更長的序列中具有更好的性能。LSTM在科學(xué)技術(shù)中得到了廣泛的應(yīng)用。基于LSTM的系統(tǒng)可以學(xué)習(xí)翻譯語言、控制機器人、圖像分析、文檔摘要、語音識別、圖像識別、筆跡識別、控制聊天機器人、預(yù)測疾病、點擊率和庫存、合成音樂等任務(wù)。

是一種處理時序數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)？

首先，感謝您的邀請。如果導(dǎo)數(shù)直接設(shè)為0，則只能輸出局部最優(yōu)解。梯度下降法可能存在多個局部最優(yōu)解（導(dǎo)數(shù)為0的解），因此導(dǎo)數(shù)不能直接設(shè)為0。

另外，不是所有函數(shù)都能根據(jù)導(dǎo)數(shù)得到0點的值，實際情況可能是：1?？梢郧蟪雒恳稽c的導(dǎo)數(shù)值，但不能得到方程的直接解。2計算機更適合用循環(huán)迭代法求極值。