递归神经网络问题整理

leo鱼

于 2017-05-03 16:11:42 发布

阅读量2.2k

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/webzjuyujun/article/details/71124695

本文主要探讨LSTM如何防止梯度消失，解释了LSTM通过累加形式的状态计算来避免梯度消失的现象，并提及梯度爆炸通常通过gradient clipping解决。此外，文章还讨论了在LSTM中不推荐使用ReLU的原因，因为ReLU可能导致信号的非期望放大，影响开关效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

问题一:LSTM如何避免梯度弥散和梯度爆炸

LSTM只能避免RNN的梯度消失（gradient vanishing）；梯度膨胀(gradient explosion)不是个严重的问题，一般靠裁剪后的优化算法即可解决，比如gradient clipping（如果梯度的范数大于某个给定值，将梯度同比收缩）。下面简单说说LSTM如何避免梯度消失.

RNN的本质是在网络内部维护了一个状态 S_t

S_t

，其中

表示时间且

S_t

可递归计算。

传统的RNN总是用“覆写”的方式计算状态： $S_t = f(S_{t-1}, x_t)$ ，其中 $f(\cdot)$ 表示仿射变换外面在套一个Sigmoid，

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。